动态图形识别 3D 物体的 DGCNN 算法
本文提出了一种基于卷积神经网络的关系图网络模型,该模型利用方向特征、语义特征和空间坐标,结合盒子候选回归和点注意池化,探索关系图对于提高候选物体外观特征的影响,最终成功实现了在点云中检测三维物体的任务。
Nov, 2019
本文提出了一种名为 Graph R-CNN 的二阶段三维目标检测器,它使用动态点聚合、RoI-graph 池化和视觉特征增强等方法,解决了现有二阶段三维目标检测器处理不均匀分布和稀疏室外点时的效率问题,并在 KITTI 和 Waymo Open Dataset 上大幅优于现有模型。
Aug, 2022
提出了 PointRGCN—— 一种基于图卷积网络(GCN)的图形三维物体检测管道,该管道专门用于对三维 LiDAR 点云进行操作,包含 R-GCN 和 C-GCN 的残差 GCNs 的集成,使用图形表示对三维物体提议进行了改进,并在 bird eye 视图检测任务的简单难度上实现了最先进的性能。
Nov, 2019
文章提出了一种基于卷积神经网络的稀疏数据三维物体检测方法,称为 Generative Sparse Detection Network (GSDN),该方法将稀疏的数据集扩展成支持物体检测的密集数据,该方法在三个 3D 室内数据集上进行验证,取得了 7.14% 的相对改进,而且比最佳前期工作快了 3.78 倍。
Jun, 2020
本研究提出了一种基于图神经网络的 LiDAR 点云对象检测方法,采用自动注册机制降低了平移方差,并结合盒子合并和计分运算从多个数据点准确地组合检测结果,在 KITTI 基准测试中,该方法仅使用点云即可实现领先的准确性,甚至胜过融合算法,这显示了使用图神经网络作为三维对象检测的新方法的潜力。
Mar, 2020
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
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
本研究提出一种新的两阶段方法,其中包括点云完成模块以恢复高质量的点密集提案和整个视图,同时设计了图神经网络模块,实现了全局本地关联机制和多尺度图形的上下文聚合,显著强化编码特征,实验表明,所提出的方法在 KITTI 基准测试中优于之前的基线算法,突出了其有效性。
Dec, 2020
通过时态图神经网络的半监督学习,利用大量未标注的点云视频进行 3D 物体探测,实现了比基线和同等标记数据下的最新检测性能更好的检测,关键词:3D 物体探测;半监督学习;时态图神经网络;未标注数据;最新检测性能。
Feb, 2022