快速点云 R-CNN
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
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
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
本文提出了一种针对点云的三维目标检测新方法 PV-RCNN,通过点和体素两个方面来深度整合特征学习,采用体素到关键点场景编码和关键点到网格 RoI 特征抽象两个创新步骤,更高效准确地实现三维目标检测。PV-RCNN++ 框架通过部分区域划分建议 - 中心采样和 VectorPool 池化等两种策略,在更低资源消耗下实现了更优秀的性能,相比 PV-RCNN 在保持准确率的同时提高了 3 倍速度,并在大规模 Waymo 开放数据集上取得了最先进的三维检测性能。
Jan, 2021
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
本文提出了一种新颖的点云融合方法,称为点云卷积注意力融合(PACF)模块,并基于此提出了一种 3D 多传感器多任务网络称为点云 - 图像 RCNN(PI-RCNN)。通过图像分割子网络和 PACF 模块融合多种传感器特征,PI-RCNN 在 3D 物体检测方面表现显著。
Nov, 2019
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
本文提出了一种名为 Graph R-CNN 的二阶段三维目标检测器,它使用动态点聚合、RoI-graph 池化和视觉特征增强等方法,解决了现有二阶段三维目标检测器处理不均匀分布和稀疏室外点时的效率问题,并在 KITTI 和 Waymo Open Dataset 上大幅优于现有模型。
Aug, 2022
RangeRCNN 是一种基于距离图像表示的新颖、有效的 3D 目标检测框架,通过利用扩张残差块(DRB)和 RV-PV-BEV 模块及二阶段 RCNN 的方法,解决了尺度变化和遮挡等问题,实现了对 KITTI 和 Waymo Open 数据集上最好的性能表现,为实时 3D 目标检测提供了更多可能性。
Sep, 2020
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