Jun, 2020

Waymo 开放数据集挑战赛 3D 检测和域自适应解决方案第一名

PDF
TL;DR介绍了一种无锚点、无 NMS 的 3D 点云目标检测器，使用对象关键点编码 3D 属性实现端到端检测，利用数据增强和点着色以及投影到相机空间和图像感知信息的附加属性来增强性能，并通过模型集成和 TTA 在 3D 检测和域自适应路线上实现了第一名。
3d object detectionpoint clouddomain adaptationobject key-pointstest-time augmentation
发现论文，激发创造
  • AFDet：基于锚点的一阶段三维物体检测

    提出了一种名为 AFDet 的基于 CNN 加速器或 GPU 的单阶段检测器，避免了基于锚点的检测方法中后处理复杂且计算代价高、锚点参数调整困难的问题。在 KITTI 和 Waymo 数据集验证集上表现良好。

    Jun, 2020

  • SSDA3D: 3D 点云物体检测的半监督领域适应

    提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。

    Dec, 2022

  • PV-RCNN：Waymo Open Dataset Challenge 中性能最佳的 LiDAR-only 3D 检测 / 3D 跟踪 / 域自适应解决方案

    本文介绍了基于 PV-RCNN 检测框架的 LiDAR 3D 检测、3D 跟踪和域自适应三项竞赛的获胜解决方案，其中探讨了 PV-RCNN 的多种变体，采用非极大值抑制和框投票的简单模型集成策略，使用 LiDAR 数据实现了 1 号位的 LiDAR-only 方法和三个轨道的 2 号位的多模态方法。

    Aug, 2020

  • CL3D：基于无监督领域自适应的跨激光雷达 3D 检测

    利用空间几何对齐和时间运动对齐构建自适应域归一化方法，以头显和机械扫描激光雷达的点云数据为例，实现了跨设备 3D 检测的最新性能水平。

    Dec, 2022

  • 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

  • 基于 LiDAR 的三维物体检测的无源无监督域自适应

    本文提出了 SF-UDA^3D 框架，基于伪标注、可逆的尺度转换和运动相干性，将最先进的 PointRCNN 3D 检测器域自适应到无注释目标域中，结果在 KITTI 和 nuScenes 上都优于以前的特征对齐方法和最先进的 3D 目标检测方法。

    Oct, 2020

  • UADA3D：基于稀疏 LiDAR 和大域差异的无监督敌对领域自适应三维物体检测

    我们在这项研究中填补现有无监督领域自适应方法的空白，这些方法主要集中于适应已经建立的高密度自动驾驶数据集。我们专注于稀疏的点云，从不同的角度捕捉场景，不仅来自道路上的车辆，还来自人行道上的移动机器人，遇到显著不同的环境条件和传感器配置。我们引入了无监督对抗领域自适应三维物体检测（UADA3D），不依赖于预训练源模型和师生架构，而是使用对抗性方法直接学习域不变特征。我们在各种适应场景中证明了其功效，在自动驾驶汽车和移动机器人领域都取得了显著的改进。我们的代码是开源的，即将推出。

    Mar, 2024

  • 激光雷达 3D 物体检测器对未知领域的泛化能力的实证研究

    通过系统调查四个在 3D 目标检测的鲁棒性和领域适应中常常被忽视的设计选择（架构、体素编码、数据增强和锚点策略）以及它们之间的相互作用，我们发现用本地点特征的 Transformer 主干比 3D CNN 更加鲁棒，在地理位置适应中关键是在测试时进行的锚点大小调整，源域数据增强允许模型推广到低分辨率传感器，而与预期相反，用干净的天气数据直接训练比用恶劣天气数据训练更能提高对恶劣天气的鲁棒性。我们总结了主要结论和发现，为开发更加鲁棒的 3D 目标检测方法提供实际指导。

    Feb, 2024

  • 用于自动驾驶的多视角三维物体检测网络

    该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks（MV3D）框架，该框架采用多传感器融合技术，将 LIDAR 点云和 RGB 图像作为输入，并预测有方向的 3D 界限框。实验表明，该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25％和 30％，在 2D 检测中也表现出显著的技术优势。

    Nov, 2016

  • 高级相机 - LiDAR 融合与机器学习的 3D 物体检测

    本研究提出了一种使用单目摄像头和 LiDAR 数据结合的机器学习技术，通过以国际排名领先的二维物体探测器生成的锥体区域来分割 LiDAR 点云，从而检测运动平台周围的车辆的 3D 边界框参数， 最终验证集准确率达到 87.1％。

    May, 2021