CVPRApr, 2020

基于图像的三维物体检测的端到端伪 LiDAR

PDF
TL;DR本文提出了一种基于可微分的表示变换模块的框架，使得 3D 物体检测与深度估计的深度神经网络能够在此统一的框架中进行端到端的训练，该框架与大多数目前最先进的神经网络兼容，并在 KITTI 基于图像的 3D 物体检测排行榜上获得最高名次。
3d object detectionlidar sensorspseudo-lidardeep neural networkschange of representation
发现论文，激发创造
  • 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

  • 基于伪激光雷达点云的单目 3D 目标检测

    提升单目深度学习算法中对于三维场景物体检测的表现，通过伪 LIDAR 点云实现与 LIDAR 算法的融合，最终在 KITTI 基准测试中取得了最优结果。

    Mar, 2019

  • 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

  • PLUMENet：基于立体图像的高效 3D 物体检测

    本文提出了一种利用立体照相机生成 3D 物体点云，并将深度估计和物体检测任务以同一度量空间进行统一的方法，其性能优于现有方法，具有更快的推理时间。

    Jan, 2021

  • 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

  • 重新思考伪 LiDAR 表征

    通过深入研究，观察到伪激光雷达表示法的功效来自于坐标变换，作者设计了一种名为 Patch-Net 的基于图像的 CNN 探测器，其具有更广泛的适用性并可作为伪激光雷达的 3D 探测器。PatchNet 的伪激光雷达数据是以图像表示的，可以轻松地利用现有的 2D CNN 设计从输入数据中提取深度特征，提高 3D 检测性能。在具有挑战性的 KITTI 数据集上进行了广泛实验，证明了所提出的 PatchNet 优于所有现有的基于伪激光雷达的竞争对手。

    Aug, 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

  • 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

  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023

  • 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