Jun, 2019

Voxel-FPN：在点云中多尺度体素特征聚合的三维物体检测

PDF
TL;DR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。
object detectionpoint cloud data3d object detectorlidar sensorsautonomous driving
发现论文，激发创造
  • 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

  • Voxel R-CNN：面向高性能体素化三维目标检测

    本文提出了一种基于体素的框架 ——Voxel R-CNN，通过从体素特征中提取 RoI 特征，实现与最先进的基于点的模型相当的检测准确度，但计算成本只有一小部分，并在 KITTI 数据集上实现了更高的检测准确度和实时图像处理速率。

    Dec, 2020

  • PV-RCNN: 用于 3D 物体检测的点 - 体素特征集抽象

    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

  • VPFNet：基于体素像素融合的多类三维物体检测网络

    本论文提出了一种基于深度学习的融合多类三维物体检测网络，使用 Voxel-Pixel 融合层将激光雷达和相机传感器数据流进行联合，此方法在 KITTI 基准测试中表现优异，排名第一。

    Nov, 2021

  • 快速点云 R-CNN

    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

  • 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

  • VPFusion：面向三维物体检测的稳健垂直表示学习

    本文提出了一种名为 VPFusion 的垂直多尺度表示学习框架，它将来自体素和柱状流的互补信息相结合，有效提高了点云表示的精度，实验结果表明 VPFusion 超越了基线，实现了实时推理速度。

    Apr, 2023

  • HVNet：用于基于激光雷达的三维物体检测的混合体素网络

    我们提出了一种名叫 Hybrid Voxel Network（HVNet）的新型一阶段统一网络，用于基于点云的自动驾驶 3D 目标检测。在 KITTI 基准测试中，单个 HVNet 实现了最好的 mAP，并具有 31Hz 的实时推理速度。

    Feb, 2020

  • HVPR: 单级 3D 物体检测的混合体素 - 点表示

    本文提出了一种新的单级三维检测方法 HVPR，它将点云的体素特征与点特征有效且高效地集成到一个伪图像的混合三维表示中，从而实现了三维对象的定位。同时，我们提出了一种 Attentive Multi-scale Feature Module（AMFM），用于考虑点云的稀疏和不规则分布，以提取具有尺度感知的特征，并在 KITTI 数据集上验证了我们方法的有效性和效率。

    Apr, 2021

  • 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