RoarNet: 一种基于区域近似优化的鲁棒三维物体检测方法
本文提出了一种名为 ZoomNet 的新型框架,同时采用 2D 对象检测模型和自适应缩放模块进行立体图像的 3D 检测,超过了所有以前的最先进方法,并且引入了学习部件位置和 3D 拟合得分来改善对遮挡物的抵抗,且由于 KITTI 基准测试缺少细粒度注释如像素级部件位置,因此我们还提出了我们的 KFG 数据集。
Mar, 2020
VoxelNet 是一种针对点云图像检测的深度网络,可以将点云分割成等间距的三维体素,并通过新引入的体素特征编码层将每组点转换为统一的特征表示,从而生成描述性的体积表示,并连接 RPN 以生成检测。
Nov, 2017
本文提出了一种名为金字塔 R-CNN 的框架,用于从点云中进行两阶段三维物体检测。该框架通过金字塔感兴趣区域(RoI)网格、RoI 网格注意力和密度感知半径预测模块,自适应地从稀疏点中学习特征,以解决稀疏和不均衡情况下的检测问题,并在 KITTI 数据集和 Waymo Open 数据集上显著超过最先进的 3D 检测模型。
Sep, 2021
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
通过强化学习优化的 Reinforced Axial Refinement Network (RAR-Net) 可以作为后处理阶段自由整合到现有的单目 3D 检测方法中,提高了 KITTI 数据集的性能,并且有小的额外计算成本。
Aug, 2020
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
本文提出了 LaserNet,一种 3D 物体检测的计算有效方法,它通过在传感器的本地范围视图中处理 LiDAR 数据来提高效率,并使用全卷积网络来预测每个点的 3D 框的多模式分布,然后高效地融合这些分布以生成每个对象的预测,实验证明这种方法比其他方法具有显著更低的运行时间,并且在大型数据集上具有比其他检测器更好的性能。
Mar, 2019
4D-Net 是一种使用 3D 点云和 RGB 感知信息,利用动态连接学习和几何约束来进行三维物体检测的方法。在 Waymo Open Dataset 上,相较于现有方法和强基线,其利用运动线索和密集图像信息更能成功检测到远处的物体。
Sep, 2021
提出了一种基于图结构和神经网络的方法,能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性,此方法在模型识别与检索任务方面,其性能可显著提高。
Feb, 2020
本文提出了一个名为 StarNet 的基于点云的物体检测系统,利用了点云数据稀疏和三维特征的优点,采用采样策略和数据依赖的 anchors,相比传统卷积方法能够更加灵活和高效地检测道路上行人和其他物体。同时,该系统还可以通过利用时间序列信息和利用先验信息和启发式算法精准地定位需要检测的区域。实验表明,StarNet 相比于传统卷积基线具有更好的检测表现,并且可以在不重新训练的情况下根据需求灵活控制计算成本。
Aug, 2019