Oct, 2019

局部 3D 物体检测中的路径精化

PDF
TL;DRPatch Refinement 是一种两阶段的模型，用于从点云数据准确地检测和定位 3D 对象。根据 RPN 提出的 BEV 位置，它提取小的点云子集 ("patches")，然后通过 LRN 进行处理。在 KITTI 3D 对象检测基准测试中，它在类车的所有三个难度上均优于以前的所有输入，只使用了 50% 的训练数据和仅 LiDAR 信息。
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

  • 基于本地 RGB-D Patch 的深度学习用于三维物体检测和六自由度位姿估计

    采用卷积自编码器在大量随机局部补丁上训练回归描述符，将场景补丁描述符与合成模型视图补丁的数据库进行匹配，并投票生成 6D 对象，结果在三个数据集上表现良好，具有标准检测结果并超过其竞争对手的鲁棒性。

    Jul, 2016

  • 可变形 PV-RCNN: 利用学习形变改善三维物体检测

    Deformable PV-RCNN 利用 2D deformable convolution networks 设计的 proposal refinement module 以及 context gating 机制，实现适应不同目标尺度和点云稠密度的高效 3D 物体检测。

    Aug, 2020

  • 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

  • 基于语义装饰局部图的精确三维目标检测的 Graph R-CNN

    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

  • 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

  • PV-RCNN++：具有局部向量表示的点 - 体素特征集抽象 用于 3D 目标检测

    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

  • PointRCNN: 从点云生成和检测三维物体提议

    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

  • 基于补丁的早期目标检测选择和优化

    提出了一种基于变压器网络和扩散模型的算法，通过将图像分割成多个补丁，并选择具有不同尺度物体的补丁，详细说明小对象的细节，并尽早检测出来，以提高小目标的检测准确性和效率。

    Nov, 2023

  • Voxel-FPN：在点云中多尺度体素特征聚合的三维物体检测

    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