CVPRNov, 2020

规范投票：朝向稳健的 3D 边界框检测

PDF
TL;DR该论文提出了一种使用 Local Canonical Coordinates 和 canonical voting scheme 的 3D 目标检测方法，能够在三个标准实际数据集上取得最优性能
3d object detectiondeep learning methodsmulti-layer-perceptron networkrotation classificationbounding boxes
发现论文，激发创造
  • 点云三维目标检测的深度 Hough 投票

    本文提出了一种基于深度点集网络和 Hough 投票的端到端三维物体检测网络 VoteNet，通过纯几何信息在两个大型真实三维扫描数据集 ScanNet 和 SUN RGB-D 上实现了最先进的三维检测，且模型设计简单，模型大小小，效率高，并且不依赖于颜色图像。

    Apr, 2019

  • Neighbor-Vote: 通过邻近距离投票提高单目 3D 物体检测

    本文介绍了一种新的邻居投票方法，以改进单目图像的伪激光雷达点云中的目标检测，特别是针对前景 ROI 伪激光雷达点的预测。我们还将实验结果与 KITTI 基准进行了比较，发现我们的方法优于现有的最佳方法。

    Jul, 2021

  • OriCon3D: 利用方向和置信度的有效 3D 物体检测

    通过改进的深度卷积神经网络以及多元箱子架构和几何限制，本研究在 KITTI 3D 检测基准测试上确定了更准确的三维对象姿态。

    Apr, 2023

  • 面向方向提升的体素网络用于三维物体识别

    该论文研究了 3D 物体识别中物体方向的重要性，提出将物体姿态预测作为一项并行任务以实现多任务分类，通过多个数据集的测试获得了最佳性能。

    Apr, 2016

  • CascadeV-Det: 3D 物体检测的级联点投票

    基于点预测的无锚点目标检测器通过级联投票 (Cascade Voting) 策略实现高质量的三维对象检测，结合实例感知投票 (IA-Voting) 和级联点分配 (CPA) 模块以及改进的特征聚合方法，提高了目标检测的准确性，并在 SUN RGB-D 上达到了 70.4% [email protected] 和 51.6% [email protected] 的最先进结果。

    Jan, 2024

  • 使用深度学习和几何学进行 3D 边界框估计

    本文提出了一种使用单张图片进行三维目标检测与姿态估计的方法，通过使用深度卷积神经网络来回归相对稳定的三维目标属性，并使用二维边界框提供的几何约束来组合这些估计，从而产生完整的三维边界框。

    Dec, 2016

  • Vote3Deep：使用高效卷积神经网络快速检测三维点云中的物体

    本文提出了一种在三维点云中有效检测对象的方法，使用卷积神经网络并利用稀疏性，提出了基于特征中心投票方案的卷积层和 L1 正则化，实现了高效的大规模三维数据处理，并在 KITTI 物体检测基准测试中表现出优异的成果。

    Sep, 2016

  • 基于级联几何约束和去噪 2D 检测的 3D 无人驾驶车辆边界框估计

    本文提出了一种针对自动驾驶车辆 3D 物体检测任务的新型两阶段 3D 物体检测方法，通过深度卷积神经网络回归两个额外的 3D 物体属性并与二维和三维框之间的级联几何约束相结合，旨在获取 3D 空间中物体位置的最佳解。

    Sep, 2019

  • MLCVNet：多层上下文 VoteNet 用于三维物体检测

    本文提出 Multi-Level Context VoteNet（MLCVNet）方法，通过使用自注意力机制和多尺度特征融合来捕捉多层次的上下文信息，从而建立在当前先进技术 VoteNet 的基础之上，在投票和分类阶段引入三个上下文模块来编码不同层次的上下文信息，从而有效提高检测精度，在 SUN RGBD 和 ScanNet 等具有挑战性的 3D 目标检测数据集上取得了新的检测性能最佳表现。

    Apr, 2020

  • 基于中心点的三维物体检测与跟踪

    本文提出了使用基于点的方法代替基于盒子的方法进行三维物体的探测、跟踪及定位，并介绍了该方法中的 CenterPoint 框架，该框架检测对象的中心，然后针对其进行其他属性的回归，简化了物体跟踪，最终在 nuScenes 基准测试中达到了 65.5 NDS 和 63.8 AMOTA 的最高性能，同时超过了之前单一模型方法的所有记录，并在所有 Lidar-only 提交中排名第一。

    Jun, 2020