通过训练卷积神经网络,我们针对自然场景中的路面图像进行了消失点预测,并与文献中经典的消失点检测方法进行了比较。结果显示,我们的方法能够更有效地预测消失点。
Sep, 2016
提出了一种新的从非校准单目图像中检测消失点的方法,并使用卷积神经网络(CNN)基于从图像中检测到的线采用反面点投影的高斯球表示进行训练。该算法使用合成数据来训练,无需标记图像,达到了竞争性的性能,可用于其他用例。
Jul, 2017
通过注入先验知识,减少数据注释和计算并缓解域变化,提高数据效率,强健性,并适应非曼哈顿设置的深度消失点检测网络。
Mar, 2022
本文介绍了一种基于快速霍夫变换层的新型神经网络架构,将其应用于处理文档图像中的消失点检测问题,并使用 MIDV-500 数据集证明其强大的泛化能力。
Sep, 2019
该研究通过结合基于点和基于体素的模型,提出一种硬件高效的三维卷积方法,并进一步融合 稀疏卷积,以更有效地处理大场景,从硬件效率的角度系统研究三维深度学习。在此基础上,引入三维神经架构搜索来探索最佳三维网络架构,并在六个典型基准数据集上评估其性能,实现 1.8-23.7 倍的加速,已应用于 MIT Driverless 无人驾驶车辆上,实现了更大的检测范围,更高的准确性和更低的延迟。
Apr, 2022
提出了一种轻量级的 Sparse Point-Voxel Convolution 模块作为基础,通过基于 SPVConv 的灵活体系结构设计空间,实现了 3D Neural Architecture Search 以搜索高效而有效的网络体系结构,并将该方法应用于自动驾驶和 3D 目标检测领域,取得了较好的实验结果。
Jul, 2020
本文提出了一种在人工环境中检测水平消失点和天顶消失点的新方法,利用深度卷积网络提取全局图像上下文,并逆转现有方法的先后顺序,通过提出一组地平线候选者并针对其包含的消失点对其进行打分,而非先找到候选消失点再通过强制互相正交来消除异常值。我们在三个基准数据集上评估了我们的方法,并在每个数据集上均取得了最好的性能,同时我们的方法明显快于之前最好的方法。
Aug, 2016
本文提出了一种新的虚拟稀疏卷积操作算子 VirConv (Virtual Sparse Convolution),并基于此设计了 VirConvNet,用于快速且有效地进行基于虚拟点的 3D 目标检测,并在 KITTI 3D car 检测中取得了领先的成果,代码公开。
Mar, 2023
本文介绍了点卷积神经网络(PCNN)的框架和两个算子:扩展和限制。此外,还定义了点云卷积的概念,其具有高效性,不受各种因素的影响,并可将卷积核用于任何点云中。通过三项常见的点云学习基准测试,证明了 PCNN 方法的有效性。
Mar, 2018
该研究提出了一种基于 2D 透视范围图像的卷积神经网络架构方法,可用于直接从范围图像视图学习 3D 表示。通过利用本地几何和跨模态融合处理,该方法在行人检测方面的 AP 从 69.7%提高到 75.5%,同时模型参数和操作速度均表现良好。
Jun, 2021