Mono3D++:具有两种尺度三维假设和任务先验的单目三维车辆检测
使用三维形状和运动先验来规范车辆的轨迹和形状,并通过在序列立体图像中施加共同的形状和运动模型,从而实现对车辆的姿态和形状的推断,得到了在 KITTI 数据集上的最新成果。
May, 2020
提出了一种基于单目视觉的 3D 车辆检测和跟踪的在线框架,并利用 3D 车辆坐标信息和深度匹配对数据进行关联,并设计了一个基于 LSTM 的动作学习模块,以进行更准确的长期运动外推。实验结果表明,该跟踪系统可以提供抗干扰性更强的数据关联和跟踪能力,并且在跟踪 30 米内的行驶车辆方面比基于激光雷达的方法表现更好。
Nov, 2018
该论文提出一种利用单个 RGB 图像重建车辆的方法,通过学习形状先验和使用卷积神经网络技术,恢复车辆的 3D 姿势和形状,同时通过迭代重新加权最小二乘(IRLS)方法对噪声进行建模和优化,以达到在自动驾驶领域中优于现有单眼和立体摄像头方法的结果。
Sep, 2016
本文介绍了一种通过卷积神经网络提取车辆关键点,并利用交叉投影优化方法估算 3D 姿态,采用层级线框约束方法估算车辆形状的精确方法,可以应用于智能交通领域的视频监控网络,实现车辆定位和跟踪。实验结果表明,该方法在估算车辆姿态和形状方面表现优于现有的单目和立体方法。
Feb, 2018
本研究提出了一种基于概率的方法,使用一种新型多任务 CNN 产生车辆方向、车辆关键点和线框边缘的概率分布,并将这些结果与三维视差信息结合到常见概率框架中,从而达到了最先进的结果。
Feb, 2021
这篇研究论文提出了一种基于单摄像头图像的广范围伪 3D 车辆检测方法,包括图像拼接、特殊设计的检测头以及联合约束损失,通过捕捉车辆的形状和姿态信息实现高精度的车辆检测。实验结果表明,在多项评估指标上,该模型在广范围伪 3D 车辆检测上表现出色。
Sep, 2023
本研究提出了一种基于两个阶段的框架,通过从单个图像中估计相机姿态来预测 3D 车道,使用辅助的 3D 车道任务和几何约束来获得多任务学习的好处,增强 3D 和 2D 之间的一致性和在这两个任务之间的兼容性,在没有地面真值相机姿态的情况下,我们的方法胜过基于完美相机姿态的最先进方法,并且具有最少的参数和计算量。
Dec, 2021
本研究基于车辆的单一 RGB 图像,提出了一种学习框架,其将 3D 视角的特征表示与 2D 外观特征相结合进行车辆识别,通过在 BoxCars 数据集上的分类和验证任务中取得优越性能的结果验证了该方法的有效性。
Mar, 2019
本文提出了一种针对单目相机的 3D 车辆定位网络 CenterLoc3D,通过解决摄像头标定和使用空间约束嵌入到 CenterLoc3D 的损失函数实现了用于路侧单目摄像头的 3D 车辆定位,同时提出了 SVLD-3D 数据集、标注工具和评估指标。经实验验证,所提出的方法具有高精度和实时性。
Mar, 2022
本文提出了一种灵活的管道来采用任何 2D 检测网络并将其与 3D 点云融合,以产生最小的 2D 检测网络变化的 3D 信息,使用卷积神经网络(CNN)进行改善,实现了机动车无人驾驶三维物体感知,排名第二。
Feb, 2018