基于掩码引导注意力的无锚点三维单阶段点云检测器
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
提出了一种名为 AFDet 的基于 CNN 加速器或 GPU 的单阶段检测器,避免了基于锚点的检测方法中后处理复杂且计算代价高、锚点参数调整困难的问题。在 KITTI 和 Waymo 数据集验证集上表现良好。
Jun, 2020
本文提出了一种基于点云的体素表示方法 FCAF3D,该方法利用稀疏卷积处理体素,可以在单个全卷积正向传递过程中快速处理大规模场景;同时,通过提出新的物体边界框参数化方式,消除了现有方法中对物体几何的先验假设,提高了方法的数据驱动性。在 ScanNet V2、SUN RGB-D 和 S3DIS 等数据集上,该方法在 [email protected] 指标上均取得了当下最优结果。
Dec, 2021
本文介绍了一种名为 AFDetV2 的单级 anchor-free 网络方法在 3D 检测中的应用,并证明其在 Waymo 开放数据集及 nuScenes 数据集上的表现优于以往所有单级和双级 3D 检测方法。该方法在第一阶段中能够准确地回归确定物体位置,无需为此执行第二阶段的调整。
Dec, 2021
本文提出 VS3D,一个从点云中弱监督学习的 3D 目标检测框架,其中引入了无监督的 3D proposal 模块和跨模态知识蒸馏策略,在 KITTI 数据集上取得了优异的性能。
Jul, 2020
本文提出了一种用于 3D 物体检测的弱监督点云变换器框架,旨在降低对训练所需监督的数量,以减少对 3D 数据集进行注释的高成本,通过使用投票网络选择高质量的预设锚点,将信息提炼到学生网络和教师网络。
Sep, 2023
本研究提出了两种三维物体检测的自我注意力模型,即通过将卷积特征与自我注意力特征相结合,将成对的自我注意力机制纳入最新的基于 BEV、体素和点云检测器,最终在 KITTI 验证集上证明了模型精度的一致提高,同时减少了运算量和计算成本,实现了更好的参数效率和计算效率。
Jan, 2021
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
提出了 SGCCNet 用于解决单阶段基于点的 3D 对象检测器的低质量对象学习和定位准确性与分类置信度不一致的问题。通过采用显著性引导数据增强和置信度校正机制来提升模型的性能,实验证明 SGCCNet 在 KITTI 数据集上的效果优于其他点云检测器,达到了 80.82% 的 3D 平均精度 (AP_3D)。
Jul, 2024