Apr, 2020

3D IoU-Net: 基于 IoU 的点云三维物体检测器

PDF
TL;DR提出了一种在 3D 物体检测中通过 IoU 预测来解决 NMS 中准确性问题的方法，使用了 3D IoU-Net 进行特征学习和准确性预测，并通过 Corner Geometry Encoding 和 Attentive Corner Aggregation 模块提取几何信息并实现对预测角度的不变性，实验结果表明，该方法在 KITTI car detection benchmark 上达到了最先进水平。
发现论文，激发创造
  • 获取定位置信度以实现准确目标检测

    本文提出了一种 CNN 方法，名为 IoU-Net，以预测物体检测边界框的 IoU 值，使得模型具有定位置信度，进而提高非极大值抑制算法（NMS）的精度，在 MS-COCO 数据集上实验表明 IoU-Net 方法适用于多种先进的物体检测器且有效。

    Jul, 2018

  • 从体素到点云：基于 IoU 引导的用于点云的三维物体检测的体素到点云解码器

    本研究提出了一种 IoU 引导的两阶段 3D 物体检测器，并结合采用 “残差体素到点云” 和 “ROI 对齐” 来提高检测精度，实验表明该方法在 KITTI 数据集上具有明显优势。

    Aug, 2021

  • CIA-SSD: 自信 IoU 感知的基于点云的单阶段目标检测器

    本文介绍了一种名为 CIA-SSD 的新型单级检测器，它通过自适应融合高级抽象语义特征和低级空间特征进行准确的边界框和分类置信度预测，并在此基础上设计了 IoU-aware 置信度矫正模块和 Distance-variant IoU-weighted NMS 模块来改善定位准确度与分类置信度一致性，并在 KITTI 测试集中进行了 3D 汽车检测实验，性能优于所有先前的单级检测器，公开了代码。

    Dec, 2020

  • AGO-Net：基于关联引导的 3D 点云物体检测网络

    通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

    Aug, 2022

  • 提高几何要素在对象检测和实例分割的模型学习和推理中的作用

    本文提出了 CIoU loss 和 Cluster-NMS 以增强两个重要任务中的几何因素，进而提高了对象检测和实例分割的平均精度和平均召回，实验表明该方法在各种模型中均有效。

    May, 2020

  • 3DIoUMatch: 利用 IoU 预测实现半监督 3D 物体检测

    本研究提出了一种基于半监督学习的 3D 目标检测方法，通过教师 - 学生的互相学习机制传播信息，结合置信度过滤和 3D IoU 定位度量，实现了在室内外场景下进行更有效、精确的目标检测，提升了现有方法的表现。

    Dec, 2020

  • 视点不受限的单目三维车辆检测中的多边形交并比损失

    提出一种基于凸多边形的全可微分算法，用于计算任意角度下两个三维边界框的 IoU，并利用该算法在三种最先进的视角不可知的三维检测模型上进行实验，结果表明提出的多边形 IoU 损失（PIoU 损失）收敛速度比 L1 损失更快，并且在三维检测模型中，PIoU 损失与 L1 损失的组合比单独使用 L1 损失时获得更好的结果（对于汽车的 MonoCon，AP70 提高了 1.64%，对于汽车的 RTM3D，AP70 提高了 0.18%，对于骑自行车的 MonoRCNN，AP50/AP25 分别提高了 0.83%/2.46%）。

    Sep, 2023

  • 直接优化 IoU 以进行边界框定位

    本文提出了一种新的损失函数 ——Smooth IoU，用于直接优化边界框的交并比，在多个数据集上显示出比标准的 Huber 损失更好的性能表现，该方法可应用于物体检测问题，使用卷积神经网络进行训练。

    Apr, 2023

  • 物体检测的解耦交并比回归

    通过提出 Decoupled IoU Regression (DIR) 模型，将 IoU 按照纯度和完整度两个维度拆分为两个更加清晰的映射以分别处理，同时引入特征对齐提升稳定性。结果显示 DIR 可用于现有的两步检测器并且显著提高它们的性能，并在 MS COCO 基准测试中获得了 51.3% 的 AP，达到了最先进水平。

    Feb, 2022

  • 单阶段三维物体检测中基于 IoU 的优化的再思考

    本文提出一种新的旋转解耦 IoU (RDIoU) 方法，通过将旋转变量作为独立项来简化回归参数的复杂交互，并在回归和分类分支中应用 RDIoU，从而可以提高单级 3D 目标检测的准确性和稳定性，并在 KITTI 和 Waymo 开放数据集的广泛实验中验证，此方法可以带来相当大的改进。

    Jul, 2022