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

Aug, 2021

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

3D-SiamRPN: An End-to-End Learning Method for Real-Time 3D Single Object Tracking Using Raw Point Cloud

Zheng Fang, Sifan Zhou, Yubo Cui, Sebastian Scherer

TL;DR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。

Abstract

3D single object tracking is a key issue for autonomous following robot, where the robot should robustly track and accurately localize the target for efficient following. In this paper, we propose a 3d tracking m

3d tracking autonomous following robot point cloud region proposal network real-time

发现论文，激发创造

基于点云的实时三维目标检测复合 YOLO 算法

使用激光雷达基于点云数据构建一个能够实时 3D 检测物体的深度学习算法，该算法使用了 Euler-Region-Proposal Network (E-RPN) 技术，确保了高准确性和高效率。该算法在 KITTI 基准测试中表现出色。

Mar, 2018

M3D-RPN: 单目三维区域建议网络用于目标检测

本研究提出了一种基于几何关系的 monocular 三维物体检测方法，通过单独的三维区域建议网络和深度感知卷积层，能够有效地改善基于图像的三维物体检测在自动驾驶领域中的表现。在 KITTI 数据集上，与其他之前的方法相比，M3D-RPN 方法在单眼三维物体检测和俯视图检测任务中都表现出显著的性能提升。

Jul, 2019

PointTrackNet: 一种从点云中进行 3D 物体检测和跟踪的端到端网络

PointTrackNet 使用机器学习技术构建一个端到端的 3D 目标检测和跟踪网络，在处理极端运动状态下的 KITTI 跟踪数据集时表现卓越。

Feb, 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

Complexer-YOLO：基于语义点云的实时 3D 目标检测和跟踪

本文提出了一种融合神经网络、视觉语义分割、在自主驾驶场景下的 3D 目标检测方法，引入了一种名为 SRTs 的快速评估指标，并采用状态优化的多目标特征跟踪机制，实现了高精度和实时性的平衡，并在 KITTI 基准测试中验证了方法的有效性。同时，该方法首次将视觉语义与 3D 目标检测相融合。

Apr, 2019

基于 RGB-D 数据的三维物体检测的台阶式点云网络

本文探讨了利用深度学习在 3D 物体检测中，针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度，以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估，相比现有技术取得了显著的大幅度升级，并具有实时性能。

Nov, 2017

3D Siamese Transformer 网络用于基于点云的单目标跟踪

本文使用 Siamese Transformer 网络，结合点云的形态信息和深度信息，在 3D 单目标跟踪任务中实现了鲁棒的交叉相关学习，取得了与 KITTI、nuScenes 和 Waymo 数据集上最优的表现。

Jul, 2022

PointRCNN: 从点云生成和检测三维物体提议

本论文提出了一种名为 PointRCNN 的算法，该算法利用点云进行 3D 物体检测，通过两阶段的底层生成和高水平精细修正，有效地提高了物体检测的准确度，在 KITTI 数据集上取得了优异的性能。

Dec, 2018

F-Siamese Tracker：基于锥台的双重孪生网络用于 3D 单物体跟踪

本文介绍了一种新型的 F-Siamese Tracker 方法，它通过更加稳健地整合 2D 和 3D 信息来减少冗余搜索空间，从而在 KITTI 跟踪数据集上显著提高了 3D 单目标跟踪和 2D 单目标跟踪性能。

Oct, 2020

基于 Stereo R-CNN 的自动驾驶三维物体检测

提出了一种基于稀疏和稠密、语义和几何信息的 3D 目标检测方法，名为 Stereo R-CNN，在自动驾驶领域表现优异，无需 3D 位置监督，与现有的基于图像的全监督方法相比，性能更好，实验表明在 KITTI 数据集上，其在 3D 检测和 3D 定位任务中超过现有的基于立体视觉的方法约 30% 的 AP。

Feb, 2019