SE-SSD:基于点云的自集成单阶段目标检测器
本文提出了 SESS,一个自举半监督的 3D 物体检测框架,通过引入重构损失和三个一致性损失函数来应对缺乏标记数据的问题,该方法在 ScanNet 数据集上获得了有竞争力的性能。
Dec, 2019
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
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。
Dec, 2020
本文提出了一种新的基于知识蒸馏方法的半监督目标检测算法 (Temporal Self-Ensembling Teacher),通过时间上的集成与损失函数中的一致性约束等方法提高了模型多样性和泛化能力,同时解决了数据分布不平衡和教师模型预测和学生模型预测高度相似产生的问题,在 VOC2007 数据集上取得了 80.73% 的 mAP 值,并在 COCO2014 数据集上达到了 40.52% 的 mAP 值,性能优于强有力的完全监督方法,并在 SSOD 目标检测领域取得了新的最优性能。
Jul, 2020
本文提出了一个在特征对齐和非对称非局部注意力机制下的单目三维单级物体检测器 (M3DSSD),借助两步特征对齐来解决现有锚点法单目三维目标检测方法在特征匹配方面的缺陷,并提出了一种新的非对称非局部注意力块,实现更好的物体深度预测效果,并在 KITTI 数据集上取得了显著的成果。
Mar, 2021
该论文介绍了一种基于体元和投影双分支特征提取的 3D 目标检测器,以解决信息丢失的问题。通过融合具有丰富局部语义信息的体元特征和投影特征,该方法在特征提取阶段减少了由投影引起的局部信息丢失,并在比较实验中取得了良好的性能。
Aug, 2023
本研究提出了一种基于 DenSe Learning 的锚点自由的半监督目标检测算法,其中包含自适应过滤策略、聚合型教师以及跨尺度不确定性一致性正则化等多种新技术,与 MS-COCO 和 PASCAL-VOC 等数据集上得到的实验结果表明,该方法在半监督目标检测性能上取得了新的最优结果。
Apr, 2022
本论文提出了一种新的域自适应自训练流水线(ST3D),用于基于点云的 3D 物体检测的无监督域自适应。该流水线通过特定的设计使检测器能够与一致且高质量的伪标签进行训练,并避免过度配合伪标记数据中大量的易样本,实现了对所有评估数据集的领先性能,并甚至超过了 KITTI 3D 目标检测基准的全监督结果。
Mar, 2021
为了确保自主驾驶平台的安全行驶,除了开发高性能的物体检测技术外,还需要建立一个反映各种城市环境和物体特征的多样化和代表性的数据集。为了解决这两个问题,我们构建了一个多类别的 3D LiDAR 数据集,反映了多样化的城市环境和物体特征,并开发了基于多个教师框架的强大的 3D 半监督目标检测器。我们提出了一种简单而有效的增强技术,基于饼状点补偿(PieAug)的增强,以使教师网络生成高质量的伪标签。对 WOD、KITTI 和我们的数据集进行的大量实验验证了我们提出的方法的有效性和数据集的质量。实验结果表明,我们的方法始终优于现有的最先进的 3D 半监督目标检测方法。我们计划在不久的将来在我们的 Github 存储库上发布我们的多类别 LiDAR 数据集和源代码。
May, 2024
本文提出了一种高效的基于点云的 3D 检测器 IA-SSD,利用可学习的面向任务的实例感知下采样策略分层选择感兴趣物体的前景点,进一步估计精确的实例中心,并采用仅编码器架构实现。大规模检测基准测试表明,该模型具有卓越的速度性能,能够以 80 个以上的速度在 KITTI 数据集上进行实时检测。
Mar, 2022