Mar, 2021

YOLOStereo3D: 一种有效的立体 3D 检测方法，回归到 2D

PDF
TL;DR提出了基于 YOLO 与 stereo cameras 的新型 3D 物体检测算法，无需使用昂贵的 LiDAR 设备，性能与同类算法相当。
3d object detectionstereo camerascomputer visionautonomous mobile robotsyolostereo3d
发现论文，激发创造
  • 自主驾驶中单目 3D 物体检测的伪立体方法

    通过提出一个伪立体式的三维检测框架，包括三种新颖的虚拟视图生成方法和基于视差动态卷积的特征滤波，从单张图片中进行三维物体检测，该方法在 KITTI-3D 基准测试中获得了车辆、行人和骑行者三个类别的第一名。

    Mar, 2022

  • Object-Centric Stereo Matching for 3D Object Detection

    研究采用一种新型 2D 框和以物体为中心的立体匹配方法，通过测量目标物体的视差来解决当前立体匹配网络固有的偏差问题，从而实现自主驾驶中的 3D 对象检测。

    Sep, 2019

  • PLUMENet：基于立体图像的高效 3D 物体检测

    本文提出了一种利用立体照相机生成 3D 物体点云，并将深度估计和物体检测任务以同一度量空间进行统一的方法，其性能优于现有方法，具有更快的推理时间。

    Jan, 2021

  • 利用视觉深度估计的伪 LiDAR：弥合自动驾驶中 3D 目标检测的差距

    本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达（pseudo-LiDAR）表示的方法，从而使得使用便宜的单 ocular 或立体成像数据进行 3D 物体检测时的精度在 KITTI 数据集上大幅提高到了 22% 到 74%。

    Dec, 2018

  • YOLO3D: 来自 LiDAR 点云的端到端实时 3D 方向物体边界框检测

    本文介绍一种基于 YOLO v2 算法与 3D 点云技术相结合的方法，能够在自动驾驶中快速、准确地识别 3D 物体边界框，实现了 40 帧每秒的实时性能。

    Aug, 2018

  • 利用过去的 LiDAR 改进单目 3D 检测器

    通过利用无标签的历史雷达数据，我们提出了一种新颖、简洁且端到端可训练的框架 AsyncDepth，用于改进单目 3D 检测器的性能，并取得了一致且显著的性能提升。

    Apr, 2024

  • 置信度引导的立体三维物体检测与分割深度估计

    通过使用分离前景和背景像素的解码器来进行深度估计及通过深度估计网络的置信度估计充当三维物体探测器软注意力机制，我们提出了一种置信度引导的立体 3D 物体检测方法。该方法在 KITTI 基准上表现优于现有的立体 3D 检测器。

    Mar, 2020

  • DSGN：用于 3D 物体检测的深度立体几何网络

    本文提出了一种名为 Deep Stereo Geometry Network（DSGN）的方法，它使用可微分的体积表示来检测三维物体，同时学习深度信息和语义线索。该方法为立体基础的三维检测提供了一个简单有效的单阶段管道，具有比以前立体基础的三维检测方法更高的性能，甚至与几种 LiDAR-based 方法在 KITTI 3D 物体检测排行榜上表现相当。

    Jan, 2020

  • 使用立体图像生成三维物体建议，实现准确的物体分类检测

    本文利用立体图像对 3D 目标进行检测，通过能量函数优化，使用 CNN 进行目标检测和姿态估计，实现在 KITTI 测试中的最佳表现，并应用 LIDAR 信息进一步优化检测结果。

    Aug, 2016

  • 三角化学习网络：从单目到立体 3D 物体检测

    本文研究从立体图像中检测 3D 物体的问题，提出了使用 3D 锚点构建物体级对应的方法来增强检测和定位的深度神经网络，使用经济高效的渠道重新加权策略来增强表示特征。在 KITTI 数据集上，这些方法都优于现有方法。

    Jun, 2019