Nov, 2021

基于 Siamese Voxel-to-BEV 的 3D 稀疏点云跟踪器

PDF
TL;DR本文提出了一种 Siamese Voxel-to-BEV Tracker，通过 Siamese 形状感知特征学习网络和体素到 BEV 目标定位网络大幅提高了稀疏点云中的 3D 物体追踪性能，并在 KITTI 和 nuScenes 数据集上得到了显著的性能优化。
3d object trackinglidarpoint cloudsvoxel-to-bev trackersiamese shape-aware feature learning network
发现论文，激发创造
  • 高效的鸟瞰视角三维孪生跟踪提议

    本文提出一种使用 LIDAR 点云的 Bird Eye View 结构来实现车辆跟踪的方法，该方法结合使用高效的区域提议网络和 3D Siamese 网络来生成和筛选 3D 物体候选项，并且通过端到端训练的方法，使车辆跟踪的成功率和精度分别优于以往的基线水平 12% 和 18%。

    Mar, 2019

  • 物体作为时空 2.5D 点

    提出一种基于弱监督学习的方法来估计具有鸟瞰视角位置的物体的三维位置，该方法可以在单个前馈网络过程中联合学习回归 2D 对象检测和场景深度预测，并在不需要 3D 或 BEV 注释或 LiDAR 数据的情况下对物体进行建模。

    Dec, 2022

  • BEVTrack：鸟瞰视角中点云跟踪的简单基准

    在本文中，我们介绍了 BEVTrack，一个简单但强大的三维单目标跟踪基线框架。通过将连续的点云转换成常见的鸟瞰图表示，BEVTrack 通过简单的逐元素操作和卷积层，天然地编码了空间邻近性并熟练地捕捉运动线索，同时直接学习目标的运动分布，而无需假定固定的拉普拉斯或高斯。BEVTrack 在 KITTI 和 NuScenes 数据集上取得了最先进的性能，并且推理速度高达 122 帧 / 秒。

    Sep, 2023

  • SparseBEV: 高性能稀疏 3D 多镜头视频物体检测

    SparseBEV 是一种全更稀疏的三维物体检测器，通过尺度自适应自注意力、自适应时空采样和自适应混合等关键设计，在 BEV 空间和图像空间中实现了优于稠密对应物的性能。

    Aug, 2023

  • 多相关等式变压器网络与稠密连接用于 3D 单物体跟踪

    稀疏 LiDAR 点云数据仍然存在挑战，因此本文提出了一种多相关 Siamese Transformer 网络，通过在每个阶段末尾基于稀疏支柱进行特征相关，以学习搜索区域的特征并保持模板的独立特征。该算法在 KITTI、nuScenes 和 Waymo 数据集上取得了有希望的性能，并提供了对每个组件有效性的消融实验研究。

    Dec, 2023

  • VoxelNeXt：3D 物体检测与跟踪的全稀疏 VoxelNet

    本文提出了一种名为 VoxelNext 的基于稀疏体素特征的完全稀疏 3D 目标检测方法，通过少量的推断即可检测和跟踪 3D 目标，它具有良好的速度 - 精度折衷，且不需后续的稀疏转密集转换或 NMS 后处理。实验证明，该方法能够在 nuScenes、Waymo 和 Argoverse2 基准上显著提高检测效果。

    Mar, 2023

  • 从 3D 到鸟瞰图的知识蒸馏用于 LiDAR 语义分割

    该研究提出了一种有效的三维（3D）到 Bird's-Eye-View（BEV）知识蒸馏方法，将丰富的知识从基于 Voxel 的模型传递到基于 BEV 的模型，该方法应用于自动驾驶领域的 LiDAR 点云分割任务中，明显提高了准确性，SemanticKITTI 数据集是该研究的实验验证平台。

    Apr, 2023

  • PointBeV：基于稀疏方法的 BeV 预测

    提出了 PointBeV 方法，在稀疏的 Bird's-eye View 表示中进行分割模型操作，以有效控制内存使用，并在静态和时间设置中展示卓越性能。

    Dec, 2023

  • 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

  • 利用形状补全实现三维类脉冲跟踪

    本文探讨了形状完成技术在 LIDAR 三维物体追踪中的应用，设计了一个 Siamese 追踪器，通过对模型和候选形状进行编码，实现了更好的 3D 物体追踪。在 KITTI 追踪数据上的实验结果表明，该模型将成功率和准确率均提升了 3％以上。

    Mar, 2019