Dec, 2019

学习深度引导的卷积用于单目 3D 物体检测

PDF
TL;DR本研究提出了一种新的本地卷积神经网络 (D4LCN)，该网络通过学习基于图像深度映射的过滤器及其响应域，克服了传统 2D 卷积的局限性，缩小了图像表达和 3D 点云之间的差距，显著提高了 3D 物体检测的性能。
3d object detectionsingle image2d convolutionslocal convolutional networkdepth-based filters
发现论文，激发创造
  • 从单张图像中预测多层深度：揭示物体背后的景深信息

    该论文提出了一种基于卷积神经网络的方法，通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白，用于虚拟现实和减弱现实领域的单幅图像的新视点合成。

    Jul, 2018

  • 透视感知卷积在单目三维物体检测中的应用

    通过结合透视感知卷积层提取更精确和具有上下文意识的特征，将场景线索建模为准确的深度推断，从而提高单目 3D 目标检测性能。

    Aug, 2023

  • 利用视觉深度估计的伪 LiDAR：弥合自动驾驶中 3D 目标检测的差距

    本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达（pseudo-LiDAR）表示的方法，从而使得使用便宜的单 ocular 或立体成像数据进行 3D 物体检测时的精度在 KITTI 数据集上大幅提高到了 22% 到 74%。

    Dec, 2018

  • 学习引导的卷积网络用于深度填充

    该研究论文设计了一种基于引导网络和卷积分解的多模态特征融合方法，旨在实现在自动驾驶等机器人应用中高精度的深度图像恢复。该方法针对现代 LiDAR 传感器只能提供稀疏深度测量的问题，通过使用同步引导 RGB 图像，并从引导图像中预测核权重，以此来提取深度图像特征，该方法能够高效准确地处理深度数据恢复，具有很高的实用价值和应用前景。

    Aug, 2019

  • 基于范围约束的膨胀卷积用于尺度不变的三维物体检测

    本文提出了一个新颖的 3D 物体检测框架，可直接处理 LiDAR 原始数据；利用稠密的测距图像，通过 2D 卷积方法高效处理数据，并使用新的 range-conditioned dilation (RCD) 层根据量测距离动态调整连续膨胀率，进一步提高了检测的精度。结合 3D bounding box 细化步骤能够更好地应对遮挡区域，在 Waymo Open 数据集上表现优异，创下了新的基准。

    May, 2020

  • 单目三维物体检测是否需要伪激光雷达？

    本文介绍了一种称之为 DD3D 的单阶段，端对端的单目 3D 对象检测器，能够借助深度预训练提升准确性并解决如伪激光雷达方法的限制，通过深度估计和三维检测之间的有效信息传输，在大规模无标记数据的帮助下，达到了 KITTI-3D 基准测试中的 16.34％和 9.28％AP 的最新结果，以及在 NuScenes 中的 41.5％mAP。

    Aug, 2021

  • 学习使用辅助单目上下文有助于单目三维物体检测

    该论文提出了一种不需要额外信息的单目 3D 物体检测方法 MonoCon，利用辅助任务学习单目上下文来帮助检测，在训练中利用了一组丰富的二维监督信号来学习辅助参数，该方法在 KITTI 基准测试中在车辆类别上实现了最佳表现，并获得了较高的检测速度。

    Dec, 2021

  • 自主驾驶中单目 3D 物体检测的伪立体方法

    通过提出一个伪立体式的三维检测框架，包括三种新颖的虚拟视图生成方法和基于视差动态卷积的特征滤波，从单张图片中进行三维物体检测，该方法在 KITTI-3D 基准测试中获得了车辆、行人和骑行者三个类别的第一名。

    Mar, 2022

  • 定向约束的全卷积神经网络用于航空 LiDAR 点云分类

    本文提出了一种用于无人机 LiDAR 点云分类的方向约束全卷积神经网络模型（D-FCN），该模型利用方向约束点卷积模块和多尺度卷积神经网络实现了点云的语义标记，取得了 70.7% 的平均 F1 得分和大幅提高了点数较少目标（如电线、汽车和立面）的分类性能。

    Aug, 2019

  • 稠密约束深度估计器用于单目三维物体检测

    本文提出了一种名为 DCD 的算法，通过利用物体的关键点投影约束来估计多个深度候选项，使用更多地投影约束和产生更多深度候选项，实现了更准确的深度估计。该算法在 KITTI 和 WOD 基准测试上取得了最先进的性能。

    Jul, 2022