Mar, 2018

基于点云的实时三维目标检测复合 YOLO 算法

PDF
TL;DR使用激光雷达基于点云数据构建一个能够实时 3D 检测物体的深度学习算法，该算法使用了 Euler-Region-Proposal Network (E-RPN) 技术，确保了高准确性和高效率。该算法在 KITTI 基准测试中表现出色。
lidar3d object detectioncomplex-yoloeuler-region-proposal network (e-rpn)kitti benchmark
发现论文，激发创造
  • Complexer-YOLO：基于语义点云的实时 3D 目标检测和跟踪

    本文提出了一种融合神经网络、视觉语义分割、在自主驾驶场景下的 3D 目标检测方法，引入了一种名为 SRTs 的快速评估指标，并采用状态优化的多目标特征跟踪机制，实现了高精度和实时性的平衡，并在 KITTI 基准测试中验证了方法的有效性。同时，该方法首次将视觉语义与 3D 目标检测相融合。

    Apr, 2019

  • YOLO3D: 来自 LiDAR 点云的端到端实时 3D 方向物体边界框检测

    本文介绍一种基于 YOLO v2 算法与 3D 点云技术相结合的方法，能够在自动驾驶中快速、准确地识别 3D 物体边界框，实现了 40 帧每秒的实时性能。

    Aug, 2018

  • LiDAR R-CNN：一种高效且通用的三维物体检测器

    本文研究基于激光雷达点云的三维检测在自动驾驶的感知系统中的重要性，并提出了 LiDAR R-CNN，这是一种可改进任何现有三维检测器的第二阶段检测器，采用了基于点的方法解决了实时和高精度要求的问题，在实际中具有普适性和优越性能。

    Mar, 2021

  • M3D-RPN: 单目三维区域建议网络用于目标检测

    本研究提出了一种基于几何关系的 monocular 三维物体检测方法，通过单独的三维区域建议网络和深度感知卷积层，能够有效地改善基于图像的三维物体检测在自动驾驶领域中的表现。在 KITTI 数据集上，与其他之前的方法相比，M3D-RPN 方法在单眼三维物体检测和俯视图检测任务中都表现出显著的性能提升。

    Jul, 2019

  • 基于 RGB-D 数据的三维物体检测的台阶式点云网络

    本文探讨了利用深度学习在 3D 物体检测中，针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度，以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估，相比现有技术取得了显著的大幅度升级，并具有实时性能。

    Nov, 2017

  • 基于图像的三维物体检测的端到端伪 LiDAR

    本文提出了一种基于可微分的表示变换模块的框架，使得 3D 物体检测与深度估计的深度神经网络能够在此统一的框架中进行端到端的训练，该框架与大多数目前最先进的神经网络兼容，并在 KITTI 基于图像的 3D 物体检测排行榜上获得最高名次。

    Apr, 2020

  • 3D-SiamRPN: 基于原始点云的实时 3D 单目标跟踪的端到端学习方法

    本文提出了一种基于 3D 点云数据的 3D-SiamRPN 网络方法，利用两个子网络的特征嵌入子网络和区域建议网络进行单目标跟踪，该方法在 KITTI 数据集和 H3D 数据集上展现出优秀的性能和泛化能力，还能实现实时追踪。

    Aug, 2021

  • 基于 Stereo R-CNN 的自动驾驶三维物体检测

    提出了一种基于稀疏和稠密、语义和几何信息的 3D 目标检测方法，名为 Stereo R-CNN，在自动驾驶领域表现优异，无需 3D 位置监督，与现有的基于图像的全监督方法相比，性能更好，实验表明在 KITTI 数据集上，其在 3D 检测和 3D 定位任务中超过现有的基于立体视觉的方法约 30% 的 AP。

    Feb, 2019

  • 用于自动驾驶的多视角三维物体检测网络

    该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks（MV3D）框架，该框架采用多传感器融合技术，将 LIDAR 点云和 RGB 图像作为输入，并预测有方向的 3D 界限框。实验表明，该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25％和 30％，在 2D 检测中也表现出显著的技术优势。

    Nov, 2016

  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023