Aug, 2019

点云三维目标检测中的平衡分组和采样

PDF
TL;DR该研究报告介绍了我们的方法，该方法利用稀疏 3D 卷积提取丰富的语义特征，并将其输入到一个类平衡的多头网络中进行三维物体检测。通过我们设计的样本策略，可以在自动驾驶场景中处理严重的类别不平衡问题，并且在 nuScenes 数据集上，我们通过平衡分类组头进一步提高了性能。在 nuScenes3D Detection Challenge（WAD，CVPR 2019）中，我们的方法优于 PointPillars [14] 基线，在所有指标上取得了最新的检测性能。
3d object detectionautonomous drivingclass-balanced multi-head networksparse 3d convolutionnuscenes dataset
发现论文，激发创造
  • CAGroup3D：面向分类感知的点云三维目标检测中的分组算法

    提出了一种名为 CAGroup3D 的卷积神经网络二阶段稀疏三维物体检测框架，通过结合物体表面体素中相同语义预测的类别感知局部组策略生成高质量的三维建议，以及使用稀疏卷积 RoI 池化模块从骨干网中直接聚合细粒度的空间信息以进一步提升建议的效果。该方法具有更好的计算和内存效率，并且在 ScanNet V2 和 SUN RGB-D 数据集上实现了优于现有方法的三维检测性能。

    Oct, 2022

  • RBGNet：基于射线分组的 3D 目标检测

    本文提出了 RBGNet 框架，一种基于投票的 3D 检测器，用于从点云中精确检测 3D 物体。该框架使用基于射线的特征分组模块来聚合物体表面的点特征，以了解物体的形状以增强聚类特征，从而预测 3D 边界框。此外，作者还提出了一种新颖的前景偏置采样策略，以在下采样过程中采样更多物体表面上的点，并显着提高检测性能。

    Apr, 2022

  • Triangle-Net：面向点云学习的鲁棒性

    提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

    Feb, 2020

  • 基于激光雷达感知的圆柱形和非对称 3D 卷积网络

    该论文提出了一种利用 3D 卷积网络进行 LiDAR 语义分割、全景分割和 3D 检测的新框架，其中采用了柱状分割和非对称 3D 卷积网络来探索 3D 几何模式，该模型在 SemanticKITTI，nuScenes 和 A2D2 上的结果均表现出最先进的性能并在分割和检测任务中显示出很好的泛化性能。

    Sep, 2021

  • 用于 LiDAR 分割的圆柱形和不对称 3D 卷积网络

    该论文提出了一种新的框架，使用圆柱形分区和不对称 3D 卷积网络来探索 3D 几何模式，并引入点智能精炼模块以减轻损失体素标签编码的干扰；测试表明，该方法在 SemanticKITTI 和 nuScenes 数据集上超过现有方法，排名第一并且较现有方法提高了约 4％。

    Nov, 2020

  • SPGroup3D：室内 3D 物体检测的 Superpoint 分组网络

    提出了一种用于室内场景的新型超点分组网络，通过对原始点云进行超点划分，利用几何感知的投票模块调整超点和物体中心之间的空间关系，采用超点注意力层和超点 - 体素融合层来探索提案内的一致性表示，利用超点来基于动态感受野进行有效的多次匹配，实现室内一阶段 3D 物体检测的最新性能。

    Dec, 2023

  • 通过类平衡损失和多尺度表示改进 3D 占据预测

    通过引入新颖的 UNet-like 多尺度占用头模块以及类别平衡损失，克服了传统基于 Birds-Eye-View（BEV）的感知架构无法表示不同尺度 BEV 特征的缺陷，在 nuScenes 3D 占用挑战数据集上实验结果表明了我们所提出方法的优越性。

    May, 2024

  • 基于 Transformer 的无分组 3D 物体检测

    利用 Transformers 中的注意力机制，以所有的点为输入，自动学习每个点对目标检测的贡献，并通过改进的注意力叠加方案将目标特征融合在不同的阶段，实现了最先进的 3D 目标检测性能。

    Apr, 2021

  • Occ3D：面向自动驾驶的大规模三维占据预测基准

    本研究提出了一种新的 3D 占据预测任务，旨在从多视图图像中估计对象的详细占据和语义信息，并介绍了 Coarse-to-Fine Occupancy (CTF-Occ) 网络模型，该模型在 3D 占据预测任务中表现出优越的性能。

    Apr, 2023

  • 用于三维点云语义标记的全卷积网络

    本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法，该方法直接分析经过地形归一化后的点，并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征，且在多个方面上比传统方法表现更优越，其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率，F1 分数比最高准确率方法高 1.69%。此外，本文还展示了该方法可轻松扩展到 2D 语义分割任务。

    Oct, 2017