Sep, 2020

RangeRCNN： 基于距离图像表示的快速准确三维物体检测

PDF
TL;DRRangeRCNN 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。
rangercnn3d object detectionrange image representationscale variationocclusion
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

  • 准确的三维物体检测中基于视角范围的改进

    本研究提出了一种新颖且准确的方法，Redemption from Range-view R-CNN（R2 R-CNN），全面探索了从视角距离的表示方法，并通过 HD Meta Kernel 解决了尺度变化问题，引入 Feature Points Redemption（FPR）恢复了丢失的三维表面纹理信息，以及通过 Synchronous-Grid RoI Pooling（S-Grid RoI Pooling）进行多尺度的精确边界框细化，对比现有的视角距离方法，R2 R-CNN 在 KITTI 基准和 Waymo Open Dataset 上表现出最先进的性能，突出强调了解决视角距离方法中的表面纹理损失问题对于准确的三维目标检测的重要性。

    Jul, 2023

  • Voxel R-CNN：面向高性能体素化三维目标检测

    本文提出了一种基于体素的框架 ——Voxel R-CNN，通过从体素特征中提取 RoI 特征，实现与最先进的基于点的模型相当的检测准确度，但计算成本只有一小部分，并在 KITTI 数据集上实现了更高的检测准确度和实时图像处理速率。

    Dec, 2020

  • PV-RCNN++：具有局部向量表示的点 - 体素特征集抽象 用于 3D 目标检测

    本文提出了一种针对点云的三维目标检测新方法 PV-RCNN，通过点和体素两个方面来深度整合特征学习，采用体素到关键点场景编码和关键点到网格 RoI 特征抽象两个创新步骤，更高效准确地实现三维目标检测。PV-RCNN++ 框架通过部分区域划分建议 - 中心采样和 VectorPool 池化等两种策略，在更低资源消耗下实现了更优秀的性能，相比 PV-RCNN 在保持准确率的同时提高了 3 倍速度，并在大规模 Waymo 开放数据集上取得了最先进的三维检测性能。

    Jan, 2021

  • 快速点云 R-CNN

    本篇研究提出了一种基于点云的三维物体检测框架，采用两个阶段的方法，利用体素表示和点云原始数据的优势进行特征提取，并在 KITTI 数据集上进行评估，取得了 3D 和 Bird's Eye View（BEV）检测的最新成果，检测速度达到了每秒 15 帧。

    Aug, 2019

  • 基于范围约束的膨胀卷积用于尺度不变的三维物体检测

    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。

    May, 2020

  • 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

  • PV-RCNN: 用于 3D 物体检测的点 - 体素特征集抽象

    提出了一种名为 PointVoxel-RCNN（PV-RCNN）的 3D 物体检测框架，可以使用点云实现准确的物体检测，使用了 3D voxel 卷积神经网络和基于 PointNet 的集合抽象相结合的方法深度学习了更具有区分性的点云特征，并使用 RoI-grid 池化方法编码具有可比性的特征从而实现了更准确的 3D 检测效果。

    Dec, 2019

  • 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

  • 基于语义装饰局部图的精确三维目标检测的 Graph R-CNN

    本文提出了一种名为 Graph R-CNN 的二阶段三维目标检测器，它使用动态点聚合、RoI-graph 池化和视觉特征增强等方法，解决了现有二阶段三维目标检测器处理不均匀分布和稀疏室外点时的效率问题，并在 KITTI 和 Waymo Open Dataset 上大幅优于现有模型。

    Aug, 2022