Nov, 2018

单目 3D 目标检测的正交特征转换

PDF
TL;DR本文采用正交特征变换的方式将图像特征映射到三维空间，从而让我们能够在一个具有一致尺度和可推断真实距离的领域中全面考虑场景的空间配置，运用于端到端的深度学习架构中，在 KITTI 3D 物体基准测试上实现了最先进的性能。
3d object detectionmonocular imagesorthographic feature transformdeep learningkitti 3d object benchmark
发现论文，激发创造
  • 单目 3D 物体检测的渐进式坐标变换

    本文提出一种名为 “Progressive Coordinate Transforms”（PCT）的新型简单的轻量级方法来促进学习坐标表示，通过引入具有自信损失的定位增强机制来逐步改进定位预测，并利用语义图像表示来弥补局部提案的使用，得到了在 KITTI 和 Waymo Open Dataset 单眼 3D 检测基准上具有卓越的改进并具有良好的泛化性能。

    Aug, 2021

  • 透视感知卷积在单目三维物体检测中的应用

    通过结合透视感知卷积层提取更精确和具有上下文意识的特征，将场景线索建模为准确的深度推断，从而提高单目 3D 目标检测性能。

    Aug, 2023

  • 基于关键点几何推理的单目三维物体检测

    本篇研究提出了一种基于关键点的方法，利用单个 RGB 图像进行三维目标检测和定位，该网络基于 2D 关键点检测和几何推理方法，同时估计 2D 特征和全局 3D 姿态，最终在 KITTI 数据集中达到了最好的性能表现。

    May, 2019

  • 基于解耦结构化多边形估计和高度引导深度估计的单目三维物体检测

    该研究提出了一种新的统一框架，将单眼 RGB 图像中的目标检测问题分解为结构化多边形预测任务和深度恢复任务，并使用对象高度先验进行反向投影变换，进一步纠正 3D 检测结果并取得了最先进的检测准确度。

    Feb, 2020

  • 物体不同：灵活的单目三维物体检测

    提出了一种灵活的单目 3D 物体检测框架，它显式地分离了长尾切断物体，并自适应地组合多种方法来估计物体深度。

    Apr, 2021

  • MonoDistill: 学习单目三维物体检测的空间特征

    该研究提出了一种利用激光雷达信号将空间信息引入单目三维检测器的简单有效方案，实验结果显示该方法明显提升了基线模型的性能，并在 KITTI 基准测试中排名第一。

    Jan, 2022

  • 旋转的重要性：针对不同相机系统的广义单目三维物体检测

    通过对相机姿态变换的研究，我们发现 3D 物体检测性能在不同于训练数据所用相机系统的情况下明显降低。为了解决这个问题，我们提出了一个通用的 3D 物体检测方法，其中包括一个位置修正模块，用于校正估计的 3D 边界框位置和朝向，并在不进行额外训练的情况下，提高了 AP3D 得分（KITTI moderate，IoU > 70%）约 6 至 10 倍。定量和定性结果都验证了该方法的有效性。

    Oct, 2023

  • 单目三维物体检测的单应性损失

    本文提出了一种新的单目三维目标检测方法，通过考虑物体间的几何关系，探索它们的相互关系来更好地估计三维框，并使用检测到的二维框来全局约束相应的三维框的优化，通过提出的可微分损失函数（Homography Loss）来实现这一目标。实验证明，该方法表现出比其他最先进的方法在 KITTI 3D 数据集上具有更好的性能。

    Apr, 2022

  • 自动驾驶用基于地面的单目三维物体检测

    通过研究路面对 3D 检测提供的额外信息，提出了一种嵌入式神经网络，能够充分利用这些应用程序特定的先验知识，从而实现使用单个 RGB 摄像机确定环境中对象的位置和方向的三维目标检测。

    Feb, 2021

  • 通过 3D 到 2D 查询从多视角图像中进行 3D 物体检测

    提出了一种基于多摄像头的 3D 对象检测框架，使用基于上下文注意力的网络，直接在 3D 空间中进行边界框的预测，实现了全球最佳性能。

    Oct, 2021