Jul, 2021

Neighbor-Vote: 通过邻近距离投票提高单目 3D 物体检测

PDF
TL;DR本文介绍了一种新的邻居投票方法，以改进单目图像的伪激光雷达点云中的目标检测，特别是针对前景 ROI 伪激光雷达点的预测。我们还将实验结果与 KITTI 基准进行了比较，发现我们的方法优于现有的最佳方法。
monocular 3d object detectionpseudo-lidarneighbor-voting methodforeground roi prediction scoreskitti benchmark
发现论文，激发创造
  • 基于伪激光雷达点云的单目 3D 目标检测

    提升单目深度学习算法中对于三维场景物体检测的表现，通过伪 LIDAR 点云实现与 LIDAR 算法的融合，最终在 KITTI 基准测试中取得了最优结果。

    Mar, 2019

  • 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

  • 点云三维目标检测的深度 Hough 投票

    本文提出了一种基于深度点集网络和 Hough 投票的端到端三维物体检测网络 VoteNet，通过纯几何信息在两个大型真实三维扫描数据集 ScanNet 和 SUN RGB-D 上实现了最先进的三维检测，且模型设计简单，模型大小小，效率高，并且不依赖于颜色图像。

    Apr, 2019

  • OCM3D：基于物体的单目三维物体检测

    本文提出了一种适用于单目三维目标检测的新型基于物体的体素表示法，能够有效地组织噪点云在体素网格内，并能够精确定位对象在三维空间中的位置。通过考虑三维物体与相关二维框之间的关系，我们将单目三维目标检测中的置信度机制进行了分解，并在 KITTI 数据集上进行了评估，性能显著优于现有技术。

    Apr, 2021

  • 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

  • 通过投票步骤扩散从点云中进行的 3D 物体检测

    通过估计点云分布的得分函数，将随机的 3D 点移动到物体中心分布的高密度区域，以改善 3D 物体检测的性能。

    Mar, 2024

  • 单目三维目标检测中伪 LiDAR 方法的可信度是否被低估了？

    本研究揭示出 Pseudo-LiDAR 方法训练出的验证结果存在显著偏差，首次提出了 3D 置信度预测模块，利用该模块可以成功地与 RGB 3D 检测方法相结合，并证明新设计的 3D 置信度测量方法可以获得最先进性能。

    Dec, 2020

  • ImVoteNet: 通过图像投票提升点云中的 3D 物体检测

    本文提出了一种新的三维检测方法 ImVoteNet，通过将二维图像和三维点云进行融合来实现，验证结果表明，此方法在 SUN RGB-D 数据集上优于先前方法，主要应用于 RGB-D 场景。

    Jan, 2020

  • Pseudo-LiDAR++: 自动驾驶中三维物体探测的准确深度

    本文提出一种基于伪激光雷达（pseudo-LiDAR）的物体三维检测方法，通过改进其立体深度估计的网络结构和损失函数，以及通过利用稀疏的廉价激光雷达传感器的测量结果来传播深度估计值，从而实现对目标的准确检测。在 KITTI 数据集上的实验表明，该方法相比现有方法在远处物体检测精度上有 40% 以上的提升。

    Jun, 2019

  • 用于自动驾驶的多视角三维物体检测网络

    该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks（MV3D）框架，该框架采用多传感器融合技术，将 LIDAR 点云和 RGB 图像作为输入，并预测有方向的 3D 界限框。实验表明，该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25％和 30％，在 2D 检测中也表现出显著的技术优势。

    Nov, 2016