Mar, 2020

置信度引导的立体三维物体检测与分割深度估计

PDF
TL;DR通过使用分离前景和背景像素的解码器来进行深度估计及通过深度估计网络的置信度估计充当三维物体探测器软注意力机制，我们提出了一种置信度引导的立体 3D 物体检测方法。该方法在 KITTI 基准上表现优于现有的立体 3D 检测器。
3d object detectionstereo-based methodslidar-based methodsdepth estimationconfidence-guided stereo
发现论文，激发创造
  • 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

  • Pseudo-LiDAR++: 自动驾驶中三维物体探测的准确深度

    本文提出一种基于伪激光雷达（pseudo-LiDAR）的物体三维检测方法，通过改进其立体深度估计的网络结构和损失函数，以及通过利用稀疏的廉价激光雷达传感器的测量结果来传播深度估计值，从而实现对目标的准确检测。在 KITTI 数据集上的实验表明，该方法相比现有方法在远处物体检测精度上有 40% 以上的提升。

    Jun, 2019

  • 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

  • 针对 3D 物体检测的任务感知单目深度估计

    本文提出了一种单目深度估计方法，通过前景 - 背景分离以及单独优化前景深度和背景深度的目标函数和深度解码器，极大地提高了前景目标深度的估计性能，并在应用于 3D 对象检测中各方面都达到了最先进的成果。

    Sep, 2019

  • 单目三维目标检测中伪 LiDAR 方法的可信度是否被低估了？

    本研究揭示出 Pseudo-LiDAR 方法训练出的验证结果存在显著偏差，首次提出了 3D 置信度预测模块，利用该模块可以成功地与 RGB 3D 检测方法相结合，并证明新设计的 3D 置信度测量方法可以获得最先进性能。

    Dec, 2020

  • DSGN：用于 3D 物体检测的深度立体几何网络

    本文提出了一种名为 Deep Stereo Geometry Network（DSGN）的方法，它使用可微分的体积表示来检测三维物体，同时学习深度信息和语义线索。该方法为立体基础的三维检测提供了一个简单有效的单阶段管道，具有比以前立体基础的三维检测方法更高的性能，甚至与几种 LiDAR-based 方法在 KITTI 3D 物体检测排行榜上表现相当。

    Jan, 2020

  • 使用立体图像生成三维物体建议，实现准确的物体分类检测

    本文利用立体图像对 3D 目标进行检测，通过能量函数优化，使用 CNN 进行目标检测和姿态估计，实现在 KITTI 测试中的最佳表现，并应用 LIDAR 信息进一步优化检测结果。

    Aug, 2016

  • Object-Centric Stereo Matching for 3D Object Detection

    研究采用一种新型 2D 框和以物体为中心的立体匹配方法，通过测量目标物体的视差来解决当前立体匹配网络固有的偏差问题，从而实现自主驾驶中的 3D 对象检测。

    Sep, 2019

  • 通过级联深度估计和校准实现准确的基于摄像头的 3D 物体检测

    本文提出了一个基于相机的 3D 目标检测的级联框架，通过深度估计和深度校准来有效地学习深度信息，实现从 2D 到 3D 空间的特征提取和目标定位。在多个检测器上进行广泛实验，取得了较高的性能表现。

    Feb, 2024

  • 概率和几何深度：透视中的物体检测

    该文通过构建几何相关图，利用概率表示来解决单目三维检测的问题，从而提高了检测性能并保持实时性的有效性。

    Jul, 2021