FVNet: 基于点云的 3D 实时物体检测的前视图提取
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
该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks(MV3D)框架,该框架采用多传感器融合技术,将 LIDAR 点云和 RGB 图像作为输入,并预测有方向的 3D 界限框。实验表明,该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25%和 30%,在 2D 检测中也表现出显著的技术优势。
Nov, 2016
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
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
本论文提出了一种名为 PointRCNN 的算法,该算法利用点云进行 3D 物体检测,通过两阶段的底层生成和高水平精细修正,有效地提高了物体检测的准确度,在 KITTI 数据集上取得了优异的性能。
Dec, 2018
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
本文将全卷积网络技术扩展到三维,并将其应用于点云数据的车辆检测任务中,实验结果表明该方法在自动驾驶领域的 KITTI 数据集上表现较之前的点云检测方法有显著提升。
Nov, 2016
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
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
本文提出了一种基于深度点集网络和 Hough 投票的端到端三维物体检测网络 VoteNet,通过纯几何信息在两个大型真实三维扫描数据集 ScanNet 和 SUN RGB-D 上实现了最先进的三维检测,且模型设计简单,模型大小小,效率高,并且不依赖于颜色图像。
Apr, 2019