FCAF3D:全卷积无锚点 3D 物体检测
提出了一种基于稀疏特征图的关注模块的单级无 Anchor 3D 对象检测方法,通过将基于体素的稀疏 3D 特征数据转换为稀疏 2D 特征图,直接从增强和稠密的 2D 特征映射中回归出 3D 边界框,并进一步提出了一种基于 IoU 的检测置信度重新校准方案,最终可用于点云数据的目标检测。
Aug, 2021
基于点预测的无锚点目标检测器通过级联投票 (Cascade Voting) 策略实现高质量的三维对象检测,结合实例感知投票 (IA-Voting) 和级联点分配 (CPA) 模块以及改进的特征聚合方法,提高了目标检测的准确性,并在 SUN RGB-D 上达到了 70.4% [email protected] 和 51.6% [email protected] 的最先进结果。
Jan, 2024
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
提出了一种名为 CAGroup3D 的卷积神经网络二阶段稀疏三维物体检测框架,通过结合物体表面体素中相同语义预测的类别感知局部组策略生成高质量的三维建议,以及使用稀疏卷积 RoI 池化模块从骨干网中直接聚合细粒度的空间信息以进一步提升建议的效果。该方法具有更好的计算和内存效率,并且在 ScanNet V2 和 SUN RGB-D 数据集上实现了优于现有方法的三维检测性能。
Oct, 2022
本文介绍了一种基于 3D 点云的新型 RGB-D 物体检测系统,其中,我们使用体素化技术来提高对象的分辨率,并使用管道技术提高效率,在 SUN RGB-D 数据集上实现了与最先进技术相当的检测结果,并取得了 2 倍的加速效果。
Oct, 2019
研究了 3D 目标检测中的 2D 检测问题,提出了基于全卷积单级检测器的通用框架 FCOS3D,在不使用 2D 检测或 2D-3D 对应先验的前提下,通过重新定义中心性和将对象分配到不同的特征级别等方式,得到了简单而又高效的解决方案。在 NeurIPS 2020 的 nuScenes 3D 检测挑战赛中,该方法在所有只使用视觉信息的方法中获得第一名。
Apr, 2021
介绍了一种无锚点、无 NMS 的 3D 点云目标检测器,使用对象关键点编码 3D 属性实现端到端检测,利用数据增强和点着色以及投影到相机空间和图像感知信息的附加属性来增强性能,并通过模型集成和 TTA 在 3D 检测和域自适应路线上实现了第一名。
Jun, 2020
本文提出了一种在三维点云中有效检测对象的方法,使用卷积神经网络并利用稀疏性,提出了基于特征中心投票方案的卷积层和 L1 正则化,实现了高效的大规模三维数据处理,并在 KITTI 物体检测基准测试中表现出优异的成果。
Sep, 2016
通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联,提出了一种新的 3D 检测框架,同时引入基于注意力的重加权模块,无需增加推理成本即可利用网络特征增强能力,在 KITTI 3D 检测基准测试中实现了更高的性能。
Aug, 2022
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