May, 2020

基于范围约束的膨胀卷积用于尺度不变的三维物体检测

PDF
TL;DR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。
3d object detectionlidar datarange imagesrange-conditioned dilation layerbounding box predictions
发现论文，激发创造
  • RangeDet: 基于激光雷达的三维物体检测中使用范围视图的辩护

    本文提出了一个基于 LiDAR 的单级别无锚点 3D 物体检测方法 --RangeDet。 与以前的方法相比，最显著的区别是我们的方法基于范围视角表现，使用常用的像素或 Bird's Eye View (BEV) 表示方法相比，范围视角表述更为紧凑且没有量化误差，该方法在 Waymo Open Dataset 中进行了测试，表现较以前的方法有很大改进。

    Mar, 2021

  • RangeRCNN： 基于距离图像表示的快速准确三维物体检测

    RangeRCNN 是一种基于距离图像表示的新颖、有效的 3D 目标检测框架，通过利用扩张残差块（DRB）和 RV-PV-BEV 模块及二阶段 RCNN 的方法，解决了尺度变化和遮挡等问题，实现了对 KITTI 和 Waymo Open 数据集上最好的性能表现，为实时 3D 目标检测提供了更多可能性。

    Sep, 2020

  • 围绕你的一切：基于范围引导的圆柱形网络用于 3D 物体检测

    该研究提出一种新的方法，利用适合扫描模式的坐标系来分析自动驾驶中 LiDAR 传感器所获取到的 3D 数据，并引入了基于范围的卷积方法，其能够根据自我车辆与物体的距离和物体的比例来调整感受野。实验结果在 nuscenes 竞赛上表现良好，可以与现有的先进架构相媲美，而该架构也可以轻松地整合到其他管道中。

    Dec, 2020

  • 使用全卷积网络从 3D LIDAR 检测车辆

    本文介绍了如何利用全卷积网络技术实现在 3D 距离扫描数据上进行车辆检测任务。文章中利用单个 2D 全卷积网络同时预测目标置信度和边界框，并通过精心设计边界框编码，即可利用 2D 卷积网络预测完整的 3D 边界框。在 KITTI 数据集上的实验证明了该方法在车辆检测方面具有最新的性能。

    Aug, 2016

  • 基于图卷积核的三维点云物体检测

    该研究提出了一种基于 2D 透视范围图像的卷积神经网络架构方法，可用于直接从范围图像视图学习 3D 表示。通过利用本地几何和跨模态融合处理，该方法在行人检测方面的 AP 从 69.7％提高到 75.5％，同时模型参数和操作速度均表现良好。

    Jun, 2021

  • 通过基于距离的点云密度优化提升 LiDAR 三维物体检测

    本文通过数据角度分析了现有的 LiDAR 3D 目标检测算法尤其是对于离传感器较远区域性能欠佳的问题，发现检测模型中存在对密集物体的学习偏差，提出了一种基于模型无关的点云密度调整预处理机制，使用迭代 MCMC 优化估计不同距离范围内点密度的最优参数，实验证明这种技术可以提高现有检测器的性能。

    Jun, 2023

  • 学习深度引导的卷积用于单目 3D 物体检测

    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。

    Dec, 2019

  • LaserNet: 高效的概率三维物体检测器，用于自动驾驶

    本文提出了 LaserNet，一种 3D 物体检测的计算有效方法，它通过在传感器的本地范围视图中处理 LiDAR 数据来提高效率，并使用全卷积网络来预测每个点的 3D 框的多模式分布，然后高效地融合这些分布以生成每个对象的预测，实验证明这种方法比其他方法具有显著更低的运行时间，并且在大型数据集上具有比其他检测器更好的性能。

    Mar, 2019

  • 基于专家范围和多模态虚拟点的全稀疏长距离三维物体检测

    我们的研究论文提出了一种利用 LiDAR 和图像相结合的方法来解决长距离 3D 物体检测的问题，通过组合两种不同范围的专家网络和引入 Multimodal Virtual Points（MVP）进行数据增强，我们的方法在长距离上达到了最先进的性能。

    Oct, 2023

  • 基于全景分割引导的 LiDAR 多视角三维物体检测通用框架

    本研究提出了一种利用分割信息指导检测过程的多任务框架，该框架联合执行三维物体检测和全景分割，可利用多视角信息解决每个投影视图的缺陷，并通过前景语义信息和中心密度热力图来提示物体的可能框中心位置。在 nuScenes 数据集上进行的大量实验表明，该方法提供了显著的性能提升，基于单级 CenterPoint 3D 物体检测网络的所提出方法在 nuScenes 3D 检测基准上取得了 67.3 NDS 的最新性能。

    Mar, 2022