SASA: 用于基于点的三维物体检测的增强语义抽象集
本文旨在提出快速而准确的点云处理技术,通过深入研究 PointNet++,提出了一种新的分离可分离 SA (Separable SA) 模块以及一种新的各向异性降维函数,结合这两个新方法,成功将 PointNet++ 升级为 ASSANet,经过大量验证实验,ASSANet 在点云分类,语义分割以及部分分割等方面均表现出色,速度更快且精度更高。
Oct, 2021
本文提出一种名为 3DSSD 的轻量级且高效的基于点云的三维单级物体检测器,采用了融合采样策略以及候选生成层、无锚点回归头、三维中心性分配策略的结构设计,其精度和速度都表现出很好的平衡,并且在 KITTI 和 nuScenes 数据集上取得了比同类方法显著更好的性能。
Feb, 2020
本篇文章研究了基于空间关系的点云实例分割方法 HAIS,提出了一种基于聚类的层次聚合框架以及子网路的预测方式,使得方法不仅快速准确(在 ScanNet v2 数据集上排名第一)还有很好的泛化性能。
Aug, 2021
本文提出了一种基于稀疏深度可分离卷积模块的新型管道,该管道通过减少网络参数数量并保留整体任务性能,需要更少的地面真实注释来实现优越的分割准确性,并提出了一个新的用于处理 3D LiDAR 点云数据的样本下采样方法,与现有方法相比具有更好的性能,同时在有限的训练数据上也表现出显着的性能提高。
Mar, 2023
本文提出了基于柱状集合抽象(PSA)和前景点补偿(FPC)的 PSA-Det3D 点检测网络,以解决 3D 点云中小物体检测的困难问题,并在 KITTI 3D 检测基准上进行了实验验证。
Oct, 2022
本文提出了一种高效的基于点云的 3D 检测器 IA-SSD,利用可学习的面向任务的实例感知下采样策略分层选择感兴趣物体的前景点,进一步估计精确的实例中心,并采用仅编码器架构实现。大规模检测基准测试表明,该模型具有卓越的速度性能,能够以 80 个以上的速度在 KITTI 数据集上进行实时检测。
Mar, 2022
MS$^{2}$3D 是一个两阶段的三维检测框架,利用小尺寸的体素提取细粒度的局部特征和大尺寸的体素捕捉长程局部特征,通过多尺度语义特征点构建三维特征层并计算特征点与目标质心的偏移,以提高特征聚合的效率,在 KITTI 数据集和 ONCE 数据集上验证了该方法的有效性。
Aug, 2023
提出了一种半监督领域自适应方法,名为 “SSDA3D”,包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization,很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题,不依赖于大量标注数据,在只有 10%目标数据标注的情况下,可以超过 100%目标标签的完全监督模型。
Dec, 2022
在自动驾驶中,相较于 2D 检测,3D 检测能够提供更精确的信息用于路径规划和运动估计。然而,由于缺乏几何信息,单一和多视角图像以及来自相机的深度图在检测精度上相对较低。本文提出了 SeSame:一种基于点的语义特征的新表达方法,以确保基于 LiDAR 的 3D 检测具有充足的语义信息。实验证明,我们的方法在 KITTI 物体检测基准测试中在不同难度级别和车辆上优于以前的最先进方法。
Mar, 2024
该论文介绍了一种基于体元和投影双分支特征提取的 3D 目标检测器,以解决信息丢失的问题。通过融合具有丰富局部语义信息的体元特征和投影特征,该方法在特征提取阶段减少了由投影引起的局部信息丢失,并在比较实验中取得了良好的性能。
Aug, 2023