May, 2018

全景图中的目标检测

PDF
TL;DR提出了一个高分辨率的全景图（360 度，虚拟现实）数据集，以进行对象检测，并提出了 YOLO 检测器的多投影变体。通过使用传统数据集中可用的训练示例，仅使用中等 GPU 计算能力和内存的低分辨率图像，以及采用多投影 YOLO 处理投影畸变，解决了全景图像缺乏注释训练数据，高分辨率和几何畸变的主要挑战。在实验中，YOLO 优于其他先进的检测器，而我们的多投影 YOLO 在低分辨率输入方面实现了最佳精度。
equirectangular panorama datasetobject detectionmulti-projection varianttraining datastereographic sub-projections
发现论文，激发创造
  • 消除盲区：将 3D 物体检测和单目深度估计应用于 360° 全景图像

    本研究提出了一种处理全景图像的深度学习算法，通过样式和投影转换，重新训练和调整现有的算法，从单目全景图像中恢复场景深度和车辆的三维姿态，大大提高了无人驾驶汽车使用全景摄像头时的准确性。

    Aug, 2018

  • 360-Indoor: 学习在 360° 室内全景图像中的真实世界对象

    本研究提供一个实际的室内 360 度全景物体检测数据集（360-Indoor），包含 37 个操作室内场景中常见的物体类别，每张图像平均 27 个包围盒。该数据集是首个用于验证 360 度图像上物体检测和识别的基准数据集。

    Oct, 2019

  • 室内全景图像物体识别

    本文提供了一种适用于全景图像的深度学习模型，并结合目标检测和语义分割任务实现了室内场景中物体的识别与分离，进而生成定位在三维物体边界上的三维包围盒。量化和定性结果证明了我们的方法优于现有技术并且能够完整理解室内场景中的主要物体。

    Oct, 2019

  • 360 度可学习代价卷积的立体深度估计

    提出一种新的神经网络架构，用于解决 360° 图像中的球面视差问题，并通过学习可移位滤波器构建代价体积以缓解失真问题，实验结果表明其对现有算法具有较好的鲁棒性和准确性。

    Nov, 2019

  • 用于语义分割的标准卷积神经网络的等距投影图像构建方法

    通过使用标准的卷积神经网络（CNNs）处理改进的球面居中投影和等距圆柱投影的等距视角图像，该研究实现了对广角图像进行语义分割的效果，相比于其他三种方法，该方法具有最高的平均交并比（IoU）值，分别提高了 23.85％、10.7％和 17.23％。

    Oct, 2023

  • 全景室内密集深度估计

    本论文研究了 360 图像的深度估计问题，提出了使用重新渲染的 3D 在线数据集来解决缺乏高质量 360 数据集的挑战，并使用这个数据集实现了端对端的深度估计模型

    Jul, 2018

  • 开放式全景分割

    通过使用开放性全景分割任务，以及采用可变形适配器网络和随机全景等距投影数据增强方法，我们提出的 OOOPS 模型在三个全景数据集上均取得了令人瞩目的性能提升，特别是在野外环境 WildPASS 上达到了 + 2.2％，在室内环境 Stanford2D3D 上达到了 + 2.4％的平均交并比（mIoU）

    Jul, 2024

  • 基于点云的实时三维目标检测复合 YOLO 算法

    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。

    Mar, 2018

  • FishEye8K：鱼眼相机物体检测的基准测试和数据集

    本文介绍了一种针对鱼眼摄像头的开放式 FishEye8K 基准数据集，用于道路物体检测任务，该数据集包含五个类别，涵盖了 157K 个边界框。同时，本文还评估了基于弱监督和无监督策略的最新优秀模型，以及在该数据集上的实验结果。

    May, 2023

  • 360MonoDepth：高分辨率 360° 单目深度估计

    提出一种基于切线图像的高分辨率 360 度图像单目深度估计方法，通过将输入的 360 度图像投影到切线平面上得到透视视图，以此来支持最新的和最准确的单目深度估计器，采用可变形多尺度对齐和梯度域混合来重新组合单个深度估计，产生具有高分辨率和高细节的稠密 360 度景深图。

    Nov, 2021