Mar, 2019

Frustum ConvNet：滑动视锥以汇聚局部点特征进行遮挡不变的三维物体检测

PDF
TL;DR本文介绍了一种名为 Frustum ConvNet 的新方法，可以从点云中识别 3D 物体。该方法首先在 RGB 图像中给出 2D 区域的建议，然后为每个区域建立一个锥体序列，并使用获得的锥体组合局部点。Frustum ConvNet 通过锥体级特征向量汇总逐点特征，并将这些特征向量作为特征映射数组用于其后续分量的完全卷积网络（FCN）来空间聚合锥体级特征，支持 3D 空间中定向框的端到端和连续估计。
frustum convnet3d object detectionpoint cloudsfully convolutional networkkitti
发现论文，激发创造
  • 使用 RGB-D 或 深度图像的锥体 VoxNet 3D 物体检测

    本文介绍了一种基于 3D 点云的新型 RGB-D 物体检测系统，其中，我们使用体素化技术来提高对象的分辨率，并使用管道技术提高效率，在 SUN RGB-D 数据集上实现了与最先进技术相当的检测结果，并取得了 2 倍的加速效果。

    Oct, 2019

  • 球面截锥稀疏卷积网络用于 LiDAR 点云语义分割

    通过引入球体金字塔结构和基于哈希的表示，本文提出了一种新颖的 Spherical Frustum sparse Convolution Network (SFCNet) 方法，实现了 LiDAR 点云的语义分割，避免了量化信息损失。

    Nov, 2023

  • FVNet: 基于点云的 3D 实时物体检测的前视图提取

    本文提出了一种名为 FVNet 的新型框架，用于从点云中生成 3D 前置视图建议和对象检测，以及估算 3D 边界框参数。

    Mar, 2019

  • 基于 RGB-D 数据的三维物体检测的台阶式点云网络

    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

  • FCAF3D：全卷积无锚点 3D 物体检测

    本文提出了一种基于点云的体素表示方法 FCAF3D，该方法利用稀疏卷积处理体素，可以在单个全卷积正向传递过程中快速处理大规模场景；同时，通过提出新的物体边界框参数化方式，消除了现有方法中对物体几何的先验假设，提高了方法的数据驱动性。在 ScanNet V2、SUN RGB-D 和 S3DIS 等数据集上，该方法在 [email protected] 指标上均取得了当下最优结果。

    Dec, 2021

  • Voxel-FPN：在点云中多尺度体素特征聚合的三维物体检测

    本研究提出了一种基于 LIDAR 传感器的一阶段 3D 目标检测器，该检测器在从点数据中提取特征上表现出更好的性能，并在 KITTI-3D 基准测试中表现优异，其速度和准确性在实际场景中具有实际应用价值。

    Jun, 2019

  • 端到端集成卷积神经网络与三维模型的人脸检测

    该研究提出一种利用 ConvNet 和 3D 平均脸模型的端到端多任务判别学习框架进行野外人脸检测的方法，该方法通过估计面部关键点和每个预测关键点的 3D 变换参数计算面部边界框提案，进而使用面部关键点配置池进一步精化。该方法在 AFLW 数据集和 FDDB 基准测试中取得了非常有竞争力的最新性能。

    Jun, 2016

  • FrustumFormer: 多视角 3D 检测的自适应实例感知重采样

    本文提出了一种名为 FrustumFormer 的新型框架，通过自适应实例感知重采样，更加关注实例区域中的特征，并利用图像视图对象提取实例楔形体以学习自适应占位遮罩，从而提高物体定位的准确性，并在 nuScenes 数据集上取得了最新的最优记录。

    Jan, 2023

  • 利用尺度不变和特征重新加权网络进行三维物体检测

    本文介绍了一种新型网络架构，利用前视图像和视锥形点云生成三维检测结果，使用 PointSIFT 模块和 SENet 模块来提高三维分割的性能和有效地估计三维边界框，实验结果表明该方法在使用高度稀疏的点云时比现有方法表现更优，广泛应用于室内和室外的实际场景中的三维物体检测。

    Jan, 2019

  • Temp-Frustum Net: 时序融合的三维物体检测

    本研究提出了一种新颖的 Temporal Fusion 模块（TFM）用于三维物体的检测，它结合了先前时间步骤中的信息以减轻单帧噪声、场景视野阻塞和稀疏性对三维物体检测的影响，实验结果表明，相较于基线方法的帧间检测，我们在 KITTI 目标跟踪数据集上分别实现了 6％，4％和 6％的改进。

    Apr, 2021