CVPRApr, 2020

DOPS: 学习检测三维物体并预测它们的三维形状

PDF
TL;DR我们提出了一种名为 DOPS 的快速单级 3D 物体检测方法，其核心创新点是一种快速、单次遍历的体系结构，同时检测 3D 物体并估计其形状。该方法通过图卷积进行聚合，并将 3D 边界框参数传入网络分支以预测表示每个检测到的物体形状的潜变量代码，因此我们的模型能够在没有目标数据集的地面真实形态信息的情况下提取物体形状。与现有技术相比，在 ScanNet 场景的目标检测中，我们的方法实现了约 5% 的技术进步，在 Waymo 开放数据集中实现了高达 3.4% 的技术进步，同时重现了检测到的汽车的形状。
3d object detectionlidargraph convolutionslatent codesend-to-end training
发现论文，激发创造
  • AutoShape：实时形状感知单目三维物体检测

    该研究提出了一种基于深度神经网络和形态感知的三维目标检测方法，利用二维关键点和对应的三维坐标以及二维 / 三维的几何约束提高检测性能，并在公共数据集 KITTI 上实现了最新的性能。

    Aug, 2021

  • 利用精准提议和形状重建的单目 3D 物体检测

    MonoPSR 是一种使用神经网络利用提议和形状重建的单目三维物体检测方法，该方法在 KITTI 基准测试中取得了最新的最优结果。

    Apr, 2019

  • 面向开放集合相机三维物体检测

    通过提出的 OS-Det3D 框架，利用特定训练的 3D 物体发现网络（ODN3D）和联合目标性选择（JOS）模块，提高相机 3D 检测器在鉴别已知和未知对象方面的能力，并在 nuScenes 和 KITTI 数据集上进行实验证明了该框架的有效性。

    Jun, 2024

  • FCOS3D：全卷积单阶段单目三维物体检测

    研究了 3D 目标检测中的 2D 检测问题，提出了基于全卷积单级检测器的通用框架 FCOS3D，在不使用 2D 检测或 2D-3D 对应先验的前提下，通过重新定义中心性和将对象分配到不同的特征级别等方式，得到了简单而又高效的解决方案。在 NeurIPS 2020 的 nuScenes 3D 检测挑战赛中，该方法在所有只使用视觉信息的方法中获得第一名。

    Apr, 2021

  • DPOD：6D 姿态物体检测器和细化器

    本文介绍了一种能够从 RGB 图像中检测三维物体和估计六自由度姿态的新型深度学习方法，称为 DPOD。该方法估计输入图像和可用的三维模型之间的密集多类二维三维对应关系图，通过 PnP 和 RANSAC 计算六自由度姿态，并使用基于深度学习的自定义方案对初始姿态估计进行了 RGB 姿态优化。与其他主要使用真实数据进行训练且不对合成渲染进行训练的方法不同，我们对合成数据和真实训练数据进行评估，显示出在所有最近的检测器中，此方法无论先前和后面都能够获得优异的结果。虽然具有精度，但本方法仍然具有实时性能。

    Feb, 2019

  • FSD：快速自监督单一 RGB-D 到分类三维物体

    通过多阶段训练管线，我们的方法成功地在实时运行中克服了现有自监督方法在 3D 物体识别方面的限制，并在 NOCS 测试集上的 6D 姿态估计中取得了 16.4% 的绝对改进，同时以接近实时的 5 Hz 速度运行。

    Oct, 2023

  • FroDO：从检测到三维物体

    FroDO 是一种从 RGB 视频进行精确的 3D 物体实例重建的方法，它将对象形状嵌入新颖学习空间中，并使用稀疏和密集形状表示进行形状和姿态优化，以及视图几何、光度和轮廓损失进行优化，可用于单视图、多视图和多对象重建。

    May, 2020

  • 通过 3D 到 2D 查询从多视角图像中进行 3D 物体检测

    提出了一种基于多摄像头的 3D 对象检测框架，使用基于上下文注意力的网络，直接在 3D 空间中进行边界框的预测，实现了全球最佳性能。

    Oct, 2021

  • DSPDet3D：面向 3D 小目标检测的动态空间修剪

    本文介绍了一种名为 DSPDet3D 的高分辨率多层检测器，通过动态空间修剪和迭代上采样从大到小检测物体，实现了在小物体检测方面的高准确性和计算效率优化。

    May, 2023

  • 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