Jun, 2020

基于生成的稀疏检测网络的 3D 单次物体检测

PDF
TL;DR文章提出了一种基于卷积神经网络的稀疏数据三维物体检测方法，称为 Generative Sparse Detection Network (GSDN)，该方法将稀疏的数据集扩展成支持物体检测的密集数据，该方法在三个 3D 室内数据集上进行验证，取得了 7.14% 的相对改进，而且比最佳前期工作快了 3.78 倍。
3d object detectiongenerative sparse detection networksparse dataconvolutional neural networklarge-scale inputs
发现论文，激发创造
  • SparseDet：朝向端到端的 3D 物体检测

    本文提出了 SparseDet 这一端到端的基于点云的三维物体检测算法，通过固定数量的可学习建议来代表潜在候选框，并使用堆叠的 transformers 直接进行三维物体的分类和定位，且无需后处理步骤，相比传统方法具有更高的效率和准确率。

    Jun, 2022

  • 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

  • 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

  • 3DSSD：基于点云的三维单级物体检测器

    本文提出一种名为 3DSSD 的轻量级且高效的基于点云的三维单级物体检测器，采用了融合采样策略以及候选生成层、无锚点回归头、三维中心性分配策略的结构设计，其精度和速度都表现出很好的平衡，并且在 KITTI 和 nuScenes 数据集上取得了比同类方法显著更好的性能。

    Feb, 2020

  • DeNet：利用指向性稀疏采样实现可扩展实时物体检测

    该论文提出了一种基于终端到终端的 CNN 模型，其使用稀疏的分布估计方案 —— 定向稀疏采样，并对模型进行了场景自适应优化，具有实时评估率和较高的精度，尤其针对细粒度对象具有更大的 regions-of-interest 集合。

    Mar, 2017

  • SAFDNet：一种简单有效的全稀疏 3D 物体检测网络

    通过设计自适应特征扩散策略，提出了一种用于完全稀疏的三维目标检测的高效架构 SAFDNet，并在长距离检测场景中证明了其有效性。

    Mar, 2024

  • SPGroup3D：室内 3D 物体检测的 Superpoint 分组网络

    提出了一种用于室内场景的新型超点分组网络，通过对原始点云进行超点划分，利用几何感知的投票模块调整超点和物体中心之间的空间关系，采用超点注意力层和超点 - 体素融合层来探索提案内的一致性表示，利用超点来基于动态感受野进行有效的多次匹配，实现室内一阶段 3D 物体检测的最新性能。

    Dec, 2023

  • SparseDet: 一种简单而有效的基于全稀疏 LiDAR 的 3D 物体检测框架

    提出了一种基于稀疏查询的 SparseDet 稀疏三维物体检测方法，通过局部多尺度特征聚合模块和全局特征聚合模块，完整地捕捉了上下文信息，提高了代理物体表达能力。实验结果在 nuScenes 和 KITTI 上验证了该方法的有效性。

    Jun, 2024

  • 稠密三维物体重建的高效点云生成学习

    本文提出了一种新的 3D 生成建模框架，使用 2D 卷积运算从多个视角预测 3D 结构，并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状，并引入伪渲染器来合成优化的新深度图，在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。

    Jun, 2017

  • 汽车雷达目标检测网络中的稀疏性利用

    本文研究了稀疏卷积物体检测网络在自动驾驶系统中的应用，通过与基线模型对比，证明了 SKPP-DPVCN 架构在 Car AP4.0 的表现上超过了基线模型和之前的最新技术，同时在平均尺度误差上也实现了显著减少。

    Aug, 2023