PointRCNN: 从点云生成和检测三维物体提议
本篇研究提出了一种基于点云的三维物体检测框架,采用两个阶段的方法,利用体素表示和点云原始数据的优势进行特征提取,并在 KITTI 数据集上进行评估,取得了 3D 和 Bird's Eye View(BEV)检测的最新成果,检测速度达到了每秒 15 帧。
Aug, 2019
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
提出了一种名为 PointVoxel-RCNN(PV-RCNN)的 3D 物体检测框架,可以使用点云实现准确的物体检测,使用了 3D voxel 卷积神经网络和基于 PointNet 的集合抽象相结合的方法深度学习了更具有区分性的点云特征,并使用 RoI-grid 池化方法编码具有可比性的特征从而实现了更准确的 3D 检测效果。
Dec, 2019
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
Deformable PV-RCNN 利用 2D deformable convolution networks 设计的 proposal refinement module 以及 context gating 机制,实现适应不同目标尺度和点云稠密度的高效 3D 物体检测。
Aug, 2020
本研究提出一种新的两阶段方法,其中包括点云完成模块以恢复高质量的点密集提案和整个视图,同时设计了图神经网络模块,实现了全局本地关联机制和多尺度图形的上下文聚合,显著强化编码特征,实验表明,所提出的方法在 KITTI 基准测试中优于之前的基线算法,突出了其有效性。
Dec, 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
本文提出了一种基于体素的框架 ——Voxel R-CNN,通过从体素特征中提取 RoI 特征,实现与最先进的基于点的模型相当的检测准确度,但计算成本只有一小部分,并在 KITTI 数据集上实现了更高的检测准确度和实时图像处理速率。
Dec, 2020