Mar, 2021

SIENet：用于三维点云物体检测的空间信息增强网络

PDF
TL;DR使用 LIADAR 进行三维物体检测时，由于点云密度不均衡，距离传感器更远的物体采集的点较少，导致检测精度下降。为解决这一挑战，作者提出了名为 SIENet 的二阶段三维物体检测框架，其中设计了空间信息增强模块和多分支的混合范式区域提案网络 (HP-RPN) 等，其在 KITTI 三维物体检测基准测试数据集上取得了远超其他方法的显著性能表现。
lidar3d object detectionsienetspatial information enhancementkitti
发现论文，激发创造
  • EPNet: 基于图像语义增强的点特征三维物体检测

    本文提出 EPNet 框架，采用多种传感器与图像信息进行目标检测，并通过融合模块增强语义化特征，实现目标定位和分类置信度的一致性，实验表明其优于现有最先进的方法。

    Jul, 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

  • SpotNet: 图像为中心、激光雷达为锚点的长距离感知方法

    通过 SpotNet 方法，结合 LiDAR 传感器融合 2D 和 3D 检测任务，实现稀疏 LiDAR 支持下准确的远距离 3D 目标检测，并且能够在不重新训练的情况下将检测结果从 2MP 分辨率图像转移到 8MP 分辨率图像上。

    May, 2024

  • 从稀疏点到稠密点云：通过有限的 LiDAR 数据增强 3D 检测

    提出了一种结合单目和基于点云的三维检测的平衡方法，使用低成本、低分辨率的传感器获取仅有 512 个点，然后将这有限的三维信息与单张图像结合重建完整的三维点云，通过与多模态现成的三维检测器结合使用，使得三维检测的准确率相比于最新的单目检测方法提高了 20%，相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。

    Apr, 2024

  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023

  • 利用尺度不变和特征重新加权网络进行三维物体检测

    本文介绍了一种新型网络架构，利用前视图像和视锥形点云生成三维检测结果，使用 PointSIFT 模块和 SENet 模块来提高三维分割的性能和有效地估计三维边界框，实验结果表明该方法在使用高度稀疏的点云时比现有方法表现更优，广泛应用于室内和室外的实际场景中的三维物体检测。

    Jan, 2019

  • StarNet：针对点云目标检测的定向计算

    本文提出了一个名为 StarNet 的基于点云的物体检测系统，利用了点云数据稀疏和三维特征的优点，采用采样策略和数据依赖的 anchors，相比传统卷积方法能够更加灵活和高效地检测道路上行人和其他物体。同时，该系统还可以通过利用时间序列信息和利用先验信息和启发式算法精准地定位需要检测的区域。实验表明，StarNet 相比于传统卷积基线具有更好的检测表现，并且可以在不重新训练的情况下根据需求灵活控制计算成本。

    Aug, 2019

  • LiDAR R-CNN：一种高效且通用的三维物体检测器

    本文研究基于激光雷达点云的三维检测在自动驾驶的感知系统中的重要性，并提出了 LiDAR R-CNN，这是一种可改进任何现有三维检测器的第二阶段检测器，采用了基于点的方法解决了实时和高精度要求的问题，在实际中具有普适性和优越性能。

    Mar, 2021

  • S3CNet: 面向 LiDAR 点云的稀疏语义场景补全网络

    本文提出了 S3CNet，一种基于稀疏卷积的神经网络，从统一的 LiDAR 点云中预测语义完成场景，并在 3D 任务上取得了最先进的结果

    Dec, 2020

  • 3D-SiamRPN: 基于原始点云的实时 3D 单目标跟踪的端到端学习方法

    本文提出了一种基于 3D 点云数据的 3D-SiamRPN 网络方法，利用两个子网络的特征嵌入子网络和区域建议网络进行单目标跟踪，该方法在 KITTI 数据集和 H3D 数据集上展现出优秀的性能和泛化能力，还能实现实时追踪。

    Aug, 2021