Jan, 2021

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • VoxelNet：基于点云的三维物体检测的端到端学习

    VoxelNet 是一种针对点云图像检测的深度网络，可以将点云分割成等间距的三维体素，并通过新引入的体素特征编码层将每组点转换为统一的特征表示，从而生成描述性的体积表示，并连接 RPN 以生成检测。

    Nov, 2017

  • 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

  • HVPR: 单级 3D 物体检测的混合体素 - 点表示

    本文提出了一种新的单级三维检测方法 HVPR，它将点云的体素特征与点特征有效且高效地集成到一个伪图像的混合三维表示中，从而实现了三维对象的定位。同时，我们提出了一种 Attentive Multi-scale Feature Module（AMFM），用于考虑点云的稀疏和不规则分布，以提取具有尺度感知的特征，并在 KITTI 数据集上验证了我们方法的有效性和效率。

    Apr, 2021

  • 可变形 PV-RCNN: 利用学习形变改善三维物体检测

    Deformable PV-RCNN 利用 2D deformable convolution networks 设计的 proposal refinement module 以及 context gating 机制，实现适应不同目标尺度和点云稠密度的高效 3D 物体检测。

    Aug, 2020

  • RangeRCNN： 基于距离图像表示的快速准确三维物体检测

    RangeRCNN 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。

    Sep, 2020

  • Voxel-FPN：在点云中多尺度体素特征聚合的三维物体检测

    本研究提出了一种基于 LIDAR 传感器的一阶段 3D 目标检测器，该检测器在从点数据中提取特征上表现出更好的性能，并在 KITTI-3D 基准测试中表现优异，其速度和准确性在实际场景中具有实际应用价值。

    Jun, 2019

  • 高效三维深度学习的点云卷积神经网络

    本文提出了一种称为 Point-Voxel CNN（PVCNN）的算法，其使用点的形式来表示三维输入数据以减少内存消耗，并通过使用体素来执行卷积以提高效率。该算法在语义分割数据集上实现了比基线模型更高的准确性，同时还在速度上超过了最先进的基于点的模型。

    Jul, 2019