May, 2019

Shift R-CNN：使用闭合形式几何约束的深度单目三维目标检测

PDF
TL;DRShift R-CNN 是一种用于单目 3D 物体检测的混合模型，结合了深度学习和几何优势，利用几何约束的深度学习方法在 KITTI 3D Object Detection Benchmark 上取得了最佳结果。
发现论文，激发创造
  • AutoShape：实时形状感知单目三维物体检测

    该研究提出了一种基于深度神经网络和形态感知的三维目标检测方法，利用二维关键点和对应的三维坐标以及二维 / 三维的几何约束提高检测性能，并在公共数据集 KITTI 上实现了最新的性能。

    Aug, 2021

  • 使用几何约束嵌入和半监督训练的单目 3D 检测

    KM3D-Net 提出了一种基于 RGB 图像和关键点的单次检测框架，通过结合完全卷积模型、几何约束和不依赖 CAD 模型、深度生成器，以及一种有效的半监督训练策略，实现了卓越的检测表现，并超过以前所有的最先进方法。

    Sep, 2020

  • M3D-RPN: 单目三维区域建议网络用于目标检测

    本研究提出了一种基于几何关系的 monocular 三维物体检测方法，通过单独的三维区域建议网络和深度感知卷积层，能够有效地改善基于图像的三维物体检测在自动驾驶领域中的表现。在 KITTI 数据集上，与其他之前的方法相比，M3D-RPN 方法在单眼三维物体检测和俯视图检测任务中都表现出显著的性能提升。

    Jul, 2019

  • 使用深度学习和几何学进行 3D 边界框估计

    本文提出了一种使用单张图片进行三维目标检测与姿态估计的方法，通过使用深度卷积神经网络来回归相对稳定的三维目标属性，并使用二维边界框提供的几何约束来组合这些估计，从而产生完整的三维边界框。

    Dec, 2016

  • 基于 Stereo R-CNN 的自动驾驶三维物体检测

    提出了一种基于稀疏和稠密、语义和几何信息的 3D 目标检测方法，名为 Stereo R-CNN，在自动驾驶领域表现优异，无需 3D 位置监督，与现有的基于图像的全监督方法相比，性能更好，实验表明在 KITTI 数据集上，其在 3D 检测和 3D 定位任务中超过现有的基于立体视觉的方法约 30% 的 AP。

    Feb, 2019

  • RGB-D 图像中无限制 3D 物体检测的深度滑动形状

    使用深度学习的方法，提出了 Deep Sliding Shapes，一种从 RGB-D 图像中检测整个物体的 3D 边界框的方法，通过引入 3D Region Proposal Network 和 Joint Object Recognition Network，算法的性能表现超过了现有的基准算法 13.8% 的 mAP，并且比原始 Sliding Shapes 快 200 倍。

    Nov, 2015

  • 基于关键点几何推理的单目三维物体检测

    本篇研究提出了一种基于关键点的方法，利用单个 RGB 图像进行三维目标检测和定位，该网络基于 2D 关键点检测和几何推理方法，同时估计 2D 特征和全局 3D 姿态，最终在 KITTI 数据集中达到了最好的性能表现。

    May, 2019

  • 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

  • Disp R-CNN: 通过形状先验引导实例视差估计的立体三维物体检测

    Disp R-CNN 是一种用于从立体图像中检测 3D 物体的新型系统，采用实例视差估计网络（iDispNet）实现对感兴趣区域像素的视差预测，以及利用统计形状模型生成密集视差伪地面真值，使其在缺乏 LiDAR 地面真值的情况下，具有出色的平均精度，较之前的最先进方法提高了 20%。

    Apr, 2020

  • 利用投影建模学习基于几何引导的深度，实现单目三维物体检测

    本篇研究提出一种基于几何建模的投影模型方法，用于改进单目三维物体检测中的深度估计问题，实验证明该方法使得检测性能得到了显著提升。

    Jul, 2021