CVPRDec, 2018

利用视觉深度估计的伪 LiDAR：弥合自动驾驶中 3D 目标检测的差距

PDF
TL;DR本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达（pseudo-LiDAR）表示的方法，从而使得使用便宜的单 ocular 或立体成像数据进行 3D 物体检测时的精度在 KITTI 数据集上大幅提高到了 22% 到 74%。
3d object detectionlidar technologyconvolutional neural networksimage-based depth estimationkitti benchmark
发现论文，激发创造
  • Pseudo-LiDAR++: 自动驾驶中三维物体探测的准确深度

    本文提出一种基于伪激光雷达（pseudo-LiDAR）的物体三维检测方法，通过改进其立体深度估计的网络结构和损失函数，以及通过利用稀疏的廉价激光雷达传感器的测量结果来传播深度估计值，从而实现对目标的准确检测。在 KITTI 数据集上的实验表明，该方法相比现有方法在远处物体检测精度上有 40% 以上的提升。

    Jun, 2019

  • 自主驾驶中单目 3D 物体检测的伪立体方法

    通过提出一个伪立体式的三维检测框架，包括三种新颖的虚拟视图生成方法和基于视差动态卷积的特征滤波，从单张图片中进行三维物体检测，该方法在 KITTI-3D 基准测试中获得了车辆、行人和骑行者三个类别的第一名。

    Mar, 2022

  • 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

  • 基于伪激光雷达点云的单目 3D 目标检测

    提升单目深度学习算法中对于三维场景物体检测的表现，通过伪 LIDAR 点云实现与 LIDAR 算法的融合，最终在 KITTI 基准测试中取得了最优结果。

    Mar, 2019

  • 单目三维物体检测是否需要伪激光雷达？

    本文介绍了一种称之为 DD3D 的单阶段，端对端的单目 3D 对象检测器，能够借助深度预训练提升准确性并解决如伪激光雷达方法的限制，通过深度估计和三维检测之间的有效信息传输，在大规模无标记数据的帮助下，达到了 KITTI-3D 基准测试中的 16.34％和 9.28％AP 的最新结果，以及在 NuScenes 中的 41.5％mAP。

    Aug, 2021

  • 单目三维目标检测中伪 LiDAR 方法的可信度是否被低估了？

    本研究揭示出 Pseudo-LiDAR 方法训练出的验证结果存在显著偏差，首次提出了 3D 置信度预测模块，利用该模块可以成功地与 RGB 3D 检测方法相结合，并证明新设计的 3D 置信度测量方法可以获得最先进性能。

    Dec, 2020

  • PLUMENet：基于立体图像的高效 3D 物体检测

    本文提出了一种利用立体照相机生成 3D 物体点云，并将深度估计和物体检测任务以同一度量空间进行统一的方法，其性能优于现有方法，具有更快的推理时间。

    Jan, 2021

  • 重新思考伪 LiDAR 表征

    通过深入研究，观察到伪激光雷达表示法的功效来自于坐标变换，作者设计了一种名为 Patch-Net 的基于图像的 CNN 探测器，其具有更广泛的适用性并可作为伪激光雷达的 3D 探测器。PatchNet 的伪激光雷达数据是以图像表示的，可以轻松地利用现有的 2D CNN 设计从输入数据中提取深度特征，提高 3D 检测性能。在具有挑战性的 KITTI 数据集上进行了广泛实验，证明了所提出的 PatchNet 优于所有现有的基于伪激光雷达的竞争对手。

    Aug, 2020

  • 概率和几何深度：透视中的物体检测

    该文通过构建几何相关图，利用概率表示来解决单目三维检测的问题，从而提高了检测性能并保持实时性的有效性。

    Jul, 2021

  • 使用立体图像生成三维物体建议，实现准确的物体分类检测

    本文利用立体图像对 3D 目标进行检测，通过能量函数优化，使用 CNN 进行目标检测和姿态估计，实现在 KITTI 测试中的最佳表现，并应用 LIDAR 信息进一步优化检测结果。

    Aug, 2016