ICCVApr, 2019

点云三维目标检测的深度 Hough 投票

PDF
TL;DR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。
3d object detectionpoint cloud datadeep point set networkshough votinggeometric information
发现论文，激发创造
  • 通过投票步骤扩散从点云中进行的 3D 物体检测

    通过估计点云分布的得分函数，将随机的 3D 点移动到物体中心分布的高密度区域，以改善 3D 物体检测的性能。

    Mar, 2024

  • ImVoteNet: 通过图像投票提升点云中的 3D 物体检测

    本文提出了一种新的三维检测方法 ImVoteNet，通过将二维图像和三维点云进行融合来实现，验证结果表明，此方法在 SUN RGB-D 数据集上优于先前方法，主要应用于 RGB-D 场景。

    Jan, 2020

  • Vote3Deep：使用高效卷积神经网络快速检测三维点云中的物体

    本文提出了一种在三维点云中有效检测对象的方法，使用卷积神经网络并利用稀疏性，提出了基于特征中心投票方案的卷积层和 L1 正则化，实现了高效的大规模三维数据处理，并在 KITTI 物体检测基准测试中表现出优异的成果。

    Sep, 2016

  • VoxelNet：基于点云的三维物体检测的端到端学习

    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

  • PVN3D：一种深度点间 3D 关键点投票网络用于 6DoF 姿态估计

    本文提出了一种基于数据驱动的方法，使用关键点检测和 Hough 投票网络，实现了从单个 RGBD 图像稳健地估算 6DoF 物体姿态，并在多个基准测试中表现出色。

    Nov, 2019

  • 基于投票的点云三维物体检测中的代表点追溯

    该研究提出了一种名为 BRNet 的新型三维物体检测方法，采用自底向上和自上而下的策略，通过回溯策略捕捉原始点云中潜在对象周围的细微局部结构特征，从而实现更可靠和灵活的对象定位和分类预测结果。

    Apr, 2021

  • 深度 Hough 投票法用于鲁棒的全局注册

    本文提出了一种有效而健壮的方法，利用 Hough 投票在 6D 转换参数空间中实现三维扫描点云的成对配准，该方法通过提取几何特征从点云对中计算出假设的对应关系，并考虑空间中的变换参数来构建成对间的对应关系，从而最终获得了自适应的变换参数。

    Sep, 2021

  • Neighbor-Vote: 通过邻近距离投票提高单目 3D 物体检测

    本文介绍了一种新的邻居投票方法，以改进单目图像的伪激光雷达点云中的目标检测，特别是针对前景 ROI 伪激光雷达点的预测。我们还将实验结果与 KITTI 基准进行了比较，发现我们的方法优于现有的最佳方法。

    Jul, 2021

  • 从多视图到空心 3D：利用虚构实现的空心 3D R-CNN 进行 3D 物体检测

    本文提出了一种新的方法，将点云数据视为中空三维数据，并针对目标检测问题提出了基于 H-23D R-CNN 架构的点云数据检测算法，该算法利用多视角特征和新颖的双向引导多视角融合模块进行中空三维点云检测，实验结果表明该算法在 KITTI 数据集和 Waymo Open 数据集上的检测效果都优于当前最优算法。

    Jul, 2021

  • 用于自动驾驶的多视角三维物体检测网络

    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