Nov, 2019

PI-RCNN：一种高效的多传感器 3D 目标检测器，具有基于点的注意力卷积融合模块

PDF
TL;DR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。
lidarrgb-images3d object detectionpacf modulemulti-sensor features
发现论文，激发创造
  • 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

  • LiDAR R-CNN：一种高效且通用的三维物体检测器

    本文研究基于激光雷达点云的三维检测在自动驾驶的感知系统中的重要性，并提出了 LiDAR R-CNN，这是一种可改进任何现有三维检测器的第二阶段检测器，采用了基于点的方法解决了实时和高精度要求的问题，在实际中具有普适性和优越性能。

    Mar, 2021

  • PG-RCNN：用于三维目标检测的语义表面点生成

    通过 RoI 点生成模块生成语义面点以实现准确检测，我们的方法在 KITTI 基准测试上取得了竞争性的性能。

    Jul, 2023

  • PointRGCN：用于三维车辆检测细化的图卷积网络

    提出了 PointRGCN—— 一种基于图卷积网络（GCN）的图形三维物体检测管道，该管道专门用于对三维 LiDAR 点云进行操作，包含 R-GCN 和 C-GCN 的残差 GCNs 的集成，使用图形表示对三维物体提议进行了改进，并在 bird eye 视图检测任务的简单难度上实现了最先进的性能。

    Nov, 2019

  • 多视图自适应融合网络用于三维物体检测

    本文提出了一种基于多视角融合的 3D 目标检测网络，结合了激光雷达鸟瞰视角、激光雷达距离视角和相机视角图像，使用注意力机制和额外任务优化点特征和结构信息，有效地实现了多视角特征的适应性融合，该网络在 KITTI 3D 目标检测数据集上的表现令人满意。

    Nov, 2020

  • 金字塔形状的 R-CNN：更好的性能和适应性，用于 3D 目标检测

    本文提出了一种名为金字塔 R-CNN 的框架，用于从点云中进行两阶段三维物体检测。该框架通过金字塔感兴趣区域（RoI）网格、RoI 网格注意力和密度感知半径预测模块，自适应地从稀疏点中学习特征，以解决稀疏和不均衡情况下的检测问题，并在 KITTI 数据集和 Waymo Open 数据集上显著超过最先进的 3D 检测模型。

    Sep, 2021

  • 使用三重注意力从点云中进行强健的三维目标检测

    本文探究了点云中三维物体检测的鲁棒性问题，引入了一种新的 TANet 模型，其中 Triple Attention 模块和 Coarse-to-Fine Regression 模块的结合提高了模型性能，实验结果在 KITTI 数据集上排名第一，较之现有最先进模型运行速度更快，且准确性更高。

    Dec, 2019

  • PointFusion：用于 3D 边界框估计的深度传感器融合

    使用 PointFusion 实现基于图像和点云信息的 3D 对象检测方法，其中 CNN 和 PointNet 网络分别处理图像和点云数据，再由新型融合网络将二者输出结合起来预测多个 3D 框及其置信度，相比现有方法在 KITTI 和 SUN-RGBD 数据集上实现更好的检测结果且无需特定模型调整。

    Nov, 2017

  • 基于全景分割引导的 LiDAR 多视角三维物体检测通用框架

    本研究提出了一种利用分割信息指导检测过程的多任务框架，该框架联合执行三维物体检测和全景分割，可利用多视角信息解决每个投影视图的缺陷，并通过前景语义信息和中心密度热力图来提示物体的可能框中心位置。在 nuScenes 数据集上进行的大量实验表明，该方法提供了显著的性能提升，基于单级 CenterPoint 3D 物体检测网络的所提出方法在 nuScenes 3D 检测基准上取得了 67.3 NDS 的最新性能。

    Mar, 2022

  • 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