ICCVDec, 2021

任务中的细节：利用相互显现 - 本地化特征进行单目三维物体检测

PDF
TL;DR本研究提出了 DFR-Net，一种动态特征反射网络，通过分离任务特定的特征并自我相互反映，以及自适应地重新调整各个子任务的训练进程，有效地解决了基于 KITTI 数据集的 3D 物体检测问题，同时与目前先进的 3D 检测框架的集成成本极低。
发现论文，激发创造
  • MonoDTR: 深度感知变换器实现单目 3D 物体检测

    提出了一种新颖的端到端深度感知装换网络 MonoDTR，用于解决自动驾驶中单目 3D 物体检测的任务，该网络包括深度感知特征增强模块（DFE）以及深度感知 Transformer 模块（DTR），通过辅助监督学习无需额外计算的深度感知特征，并全局整合上下文和深度感知特征；深度位置编码（DPE）注入深度位置提示到 Transformer 中，并通过实验证明该方法优于现有最先进方法并可实现实时检测。

    Mar, 2022

  • 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

  • 3D 目标检测中的大感受野策略与重要特征提取策略

    利用 3D 物体检测、LiDAR 点云、动态特征融合模块和特征选择模块以提高网络性能。

    Jan, 2024

  • 通过嵌入颜色的三维重建实现精确的单目物体检测，用于自动驾驶

    本文提出了一种自动驾驶中单目三维物体检测框架，着重解决了二维图像数据的不足，通过将输入数据从二维图像平面转换为三维点云空间进行处理，并使用 PointNet 网络进行三维检测，以提高点云的辨别能力，同时利用多模态融合模块将 RGB 颜色信息融入点云表示，证明了在三维空间中推断三维包围盒比在二维图像平面中更加有效，经过在 KITTI 数据集上的评估，该方法的表现超过现有最新的单目方法。

    Mar, 2019

  • 自动驾驶用基于地面的单目三维物体检测

    通过研究路面对 3D 检测提供的额外信息，提出了一种嵌入式神经网络，能够充分利用这些应用程序特定的先验知识，从而实现使用单个 RGB 摄像机确定环境中对象的位置和方向的三维目标检测。

    Feb, 2021

  • MonoDistill: 学习单目三维物体检测的空间特征

    该研究提出了一种利用激光雷达信号将空间信息引入单目三维检测器的简单有效方案，实验结果显示该方法明显提升了基线模型的性能，并在 KITTI 基准测试中排名第一。

    Jan, 2022

  • 自主驾驶中单目 3D 物体检测的伪立体方法

    通过提出一个伪立体式的三维检测框架，包括三种新颖的虚拟视图生成方法和基于视差动态卷积的特征滤波，从单张图片中进行三维物体检测，该方法在 KITTI-3D 基准测试中获得了车辆、行人和骑行者三个类别的第一名。

    Mar, 2022

  • 空中单目三维物体检测

    通过双视图检测系统 DVDET，提出了一种基于地理变形的训练模块，实现了 2D 图像空间和 3D 物理空间的空中单目物体检测，并利用新的数据集 AM3D，证明了模型的可行性及性能。

    Aug, 2022

  • 单目 3D 目标检测的正交特征转换

    本文采用正交特征变换的方式将图像特征映射到三维空间，从而让我们能够在一个具有一致尺度和可推断真实距离的领域中全面考虑场景的空间配置，运用于端到端的深度学习架构中，在 KITTI 3D 物体基准测试上实现了最先进的性能。

    Nov, 2018

  • 通过回收边界框进行自监督的三维单目物体检测

    研究了在单目 3D 物体检测中使用预文本任务来提高性能的自监督学习方法，并且通过随机窗口来标记建立自监督训练模型以分类真实和假象检测集的目标物体来达到我们的目的，即解决前景 - 背景不平衡问题，ICFW mAP 得分进一步证明方法的有效性。

    Jun, 2022