AAAIDec, 2020

CIA-SSD: 自信 IoU 感知的基于点云的单阶段目标检测器

PDF
TL;DR本文介绍了一种名为 CIA-SSD 的新型单级检测器，它通过自适应融合高级抽象语义特征和低级空间特征进行准确的边界框和分类置信度预测，并在此基础上设计了 IoU-aware 置信度矫正模块和 Distance-variant IoU-weighted NMS 模块来改善定位准确度与分类置信度一致性，并在 KITTI 测试集中进行了 3D 汽车检测实验，性能优于所有先前的单级检测器，公开了代码。
object localizationcategory classificationsingle-stage detectorconfident iou-aware single-stage object detectorkitti test set
发现论文，激发创造
  • 基于 IoU 的单阶段目标检测器实现准确定位

    本文提出了一种 IoU 感知的单级目标检测器来提高模型的定位准确性，通过将分类分数和预测的 IoU 相乘来计算最终检测可信度，该方法在 COCO 和 PASCAL VOC 数据集上都取得了较好的实验结果。

    Dec, 2019

  • 精密单级检测器

    本研究提出了一种改进的单阶段物体检测器 (Precise Single Stage Detector, PSSD)，通过添加额外层、构建高效特征增强模块和设计更有效的损失函数优化了 SSD，提高了其对于局部和语义信息的分析能力，解决了特征抽取和非极大值抑制两个关键问题，进而在行为检测中取得了优异的表现。

    Oct, 2022

  • 3D IoU-Net: 基于 IoU 的点云三维物体检测器

    提出了一种在 3D 物体检测中通过 IoU 预测来解决 NMS 中准确性问题的方法，使用了 3D IoU-Net 进行特征学习和准确性预测，并通过 Corner Geometry Encoding 和 Attentive Corner Aggregation 模块提取几何信息并实现对预测角度的不变性，实验结果表明，该方法在 KITTI car detection benchmark 上达到了最先进水平。

    Apr, 2020

  • NIV-SSD: 邻居 IoU 投票单阶段点云目标检测器

    提出了一种解决单阶段检测器中的定位准确性与分类置信度不匹配的问题的新方法，命名为邻居 IoU 投票（NIV）策略。通过计算来自回归输出的两种类型的统计数据来修正分类置信度，作为分类和回归分支之间的桥梁。并且，通过随机变换易对象的一部分为难对象，提出了一种名为对象重新采样的新数据增强方案，以减轻对完整对象和不完整对象的检测准确性不平衡的影响。结合 NIV 策略和对象重新采样增强，设计了一种高效的单阶段检测器 NIV-SSD。在多个数据集上的广泛实验表明了 NIV 策略的有效性和 NIV-SSD 检测器的竞争性能。

    Jan, 2024

  • SE-SSD：基于点云的自集成单阶段目标检测器

    SE-SSD 是一种有效的基于单级检测器的自组装方法，可以准确地检测外部点云中的三维物体，并使用软和硬目标的约束来联合优化模型，最终达到比所有先前已发表作品更好的性能。

    Apr, 2021

  • 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

  • SSD：单发多框检测器

    该研究提出了一种名为 SSD 的方法，使用单个深度神经网络在图像中检测对象，在特征映射位置上将边界框的输出空间离散化为一组具有不同宽高比和尺度的默认框，利用不同分辨率的多个特征图进行预测，并结合了对象分类的得分和对每个初始框进行微调。该方法相对于其他需要对象提议的方法来说更为简化并具有相当准确性。

    Dec, 2015

  • 使用交并比损失端到端训练的单目 3D 物体检测与盒式拟合

    通过引入 SS3D 方法，成功在单目图像中实现三维物体检测，并通过建模异方差性提高了基准性能。该方法在保持简洁的同时，达到了当前状态下最高的检测精度，是实现自主驾驶等领域高性能检测的可靠框架。

    Jun, 2019

  • 基于掩码引导注意力的无锚点三维单阶段点云检测器

    提出了一种基于稀疏特征图的关注模块的单级无 Anchor 3D 对象检测方法，通过将基于体素的稀疏 3D 特征数据转换为稀疏 2D 特征图，直接从增强和稠密的 2D 特征映射中回归出 3D 边界框，并进一步提出了一种基于 IoU 的检测置信度重新校准方案，最终可用于点云数据的目标检测。

    Aug, 2021

  • SGCCNet: 基于显著引导数据增强和置信修正机制的单阶段三维物体检测器

    提出了 SGCCNet 用于解决单阶段基于点的 3D 对象检测器的低质量对象学习和定位准确性与分类置信度不一致的问题。通过采用显著性引导数据增强和置信度校正机制来提升模型的性能，实验证明 SGCCNet 在 KITTI 数据集上的效果优于其他点云检测器，达到了 80.82% 的 3D 平均精度 (AP_3D)。

    Jul, 2024