Nov, 2019

基于关系图网络的点云三维物体检测

PDF
TL;DR本文提出了一种基于卷积神经网络的关系图网络模型，该模型利用方向特征、语义特征和空间坐标，结合盒子候选回归和点注意池化，探索关系图对于提高候选物体外观特征的影响，最终成功实现了在点云中检测三维物体的任务。
convolutional neural networks3d object detectionpoint cloudsproposal generationrelation graph network
发现论文，激发创造
  • GraphRelate3D：上下文相关的基于关系图的三维物体检测

    通过引入对象关系模块和图神经网络（GNN），从周围建议中提取空间信息并改进 3D 对象检测，该方法在 KITTI 数据集上相较基准方法 PV-RCNN 在简单、中等和困难难度级别的汽车类上分别提升了 0.82%、0.74% 和 0.58%，在中等和困难难度级别的 BEV AP 上优于基准方法超过 1%。

    May, 2024

  • 动态图形识别 3D 物体的 DGCNN 算法

    提出了一种在点云中基于消息传递和动态图形的 3D 物体检测架构，通过一种针对 3D 检测任务的集合到集合的蒸馏方法来简化知识蒸馏，实现了自动驾驶基准测试的最先进性能。

    Oct, 2021

  • 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

  • Point-GNN: 针对点云中 3D 物体检测的图神经网络

    本研究提出了一种基于图神经网络的 LiDAR 点云对象检测方法，采用自动注册机制降低了平移方差，并结合盒子合并和计分运算从多个数据点准确地组合检测结果，在 KITTI 基准测试中，该方法仅使用点云即可实现领先的准确性，甚至胜过融合算法，这显示了使用图神经网络作为三维对象检测的新方法的潜力。

    Mar, 2020

  • PC-RGNN: 三维物体检测的点云补全与图形神经网络

    本研究提出一种新的两阶段方法，其中包括点云完成模块以恢复高质量的点密集提案和整个视图，同时设计了图神经网络模块，实现了全局本地关联机制和多尺度图形的上下文聚合，显著强化编码特征，实验表明，所提出的方法在 KITTI 基准测试中优于之前的基线算法，突出了其有效性。

    Dec, 2020

  • 3D-RelNet：三维预测的联合物体和关系网络

    本研究提出了一种基于深度学习的方法，结合独立对象的预测和对象间关系的推理，实现场景中物体的三维形状和姿态预测，并在不同数据集上进行了性能测试。

    Jun, 2019

  • 关系网络用于物体检测

    本研究提出一种基于对象关系模块的深度学习模型，可以同时处理对象之间的外观特征和几何关系，从而提高了对象识别和重复去除步骤，在 CNN-based detection 中显著地有效，且无需额外 supervision，是第一个完全端到端的物体检测器。

    Nov, 2017

  • 基于注意力机制的图卷积神经网络点云学习

    提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

    May, 2019

  • 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

  • 基于图卷积神经网络的三维点云分类

    本文介绍了使用 Graph-CNNs 和 PointGCN 对 3D 点云数据进行分类的方法，通过局部图卷积和两种图降采样操作实现了对点云局部结构的有效探索，与竞争方案相比，该架构具有更稳定的性能。

    Nov, 2018