CVPRJun, 2019

三角化学习网络：从单目到立体 3D 物体检测

PDF
TL;DR本文研究从立体图像中检测 3D 物体的问题，提出了使用 3D 锚点构建物体级对应的方法来增强检测和定位的深度神经网络，使用经济高效的渠道重新加权策略来增强表示特征。在 KITTI 数据集上，这些方法都优于现有方法。
3d object detectionstereo imagesneural networkmonocular imageskitti dataset
发现论文，激发创造
  • 自动驾驶用基于地面的单目三维物体检测

    通过研究路面对 3D 检测提供的额外信息，提出了一种嵌入式神经网络，能够充分利用这些应用程序特定的先验知识，从而实现使用单个 RGB 摄像机确定环境中对象的位置和方向的三维目标检测。

    Feb, 2021

  • 自主驾驶中单目 3D 物体检测的伪立体方法

    通过提出一个伪立体式的三维检测框架，包括三种新颖的虚拟视图生成方法和基于视差动态卷积的特征滤波，从单张图片中进行三维物体检测，该方法在 KITTI-3D 基准测试中获得了车辆、行人和骑行者三个类别的第一名。

    Mar, 2022

  • 使用立体图像生成三维物体建议，实现准确的物体分类检测

    本文利用立体图像对 3D 目标进行检测，通过能量函数优化，使用 CNN 进行目标检测和姿态估计，实现在 KITTI 测试中的最佳表现，并应用 LIDAR 信息进一步优化检测结果。

    Aug, 2016

  • 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

  • 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

  • DSGN：用于 3D 物体检测的深度立体几何网络

    本文提出了一种名为 Deep Stereo Geometry Network（DSGN）的方法，它使用可微分的体积表示来检测三维物体，同时学习深度信息和语义线索。该方法为立体基础的三维检测提供了一个简单有效的单阶段管道，具有比以前立体基础的三维检测方法更高的性能，甚至与几种 LiDAR-based 方法在 KITTI 3D 物体检测排行榜上表现相当。

    Jan, 2020

  • SGM3D: 双目引导下的单目三维物体检测

    本文提出了一种名为 SGM3D 的新方法，通过引入多粒度域自适应和基于 IoU 匹配的对齐方法，将立体 3D 特征适应到单眼检测中，显著提高了检测性能。实验证明，该方法在 KITTI 和 Lyft 数据集上取得了最先进的结果。

    Dec, 2021

  • 通过 3D 到 2D 查询从多视角图像中进行 3D 物体检测

    提出了一种基于多摄像头的 3D 对象检测框架，使用基于上下文注意力的网络，直接在 3D 空间中进行边界框的预测，实现了全球最佳性能。

    Oct, 2021

  • MonoDistill: 学习单目三维物体检测的空间特征

    该研究提出了一种利用激光雷达信号将空间信息引入单目三维检测器的简单有效方案，实验结果显示该方法明显提升了基线模型的性能，并在 KITTI 基准测试中排名第一。

    Jan, 2022

  • MonoPair: 使用成对空间关系的单目 3D 物体检测

    本文提出了一种考虑成对样本关系来改进单目三维物体检测的方法，包括计算对象对之间的不确定性感知预测和利用非线性最小二乘方法对其进行优化，实验结果表明，该方法在 KITTI 三维检测基准测试中表现最佳。

    Mar, 2020