自主驾驶中单目 3D 物体检测的伪立体方法
本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达(pseudo-LiDAR)表示的方法,从而使得使用便宜的单 ocular 或立体成像数据进行 3D 物体检测时的精度在 KITTI 数据集上大幅提高到了 22% 到 74%。
Dec, 2018
本文提出一种基于伪激光雷达(pseudo-LiDAR)的物体三维检测方法,通过改进其立体深度估计的网络结构和损失函数,以及通过利用稀疏的廉价激光雷达传感器的测量结果来传播深度估计值,从而实现对目标的准确检测。在 KITTI 数据集上的实验表明,该方法相比现有方法在远处物体检测精度上有 40% 以上的提升。
Jun, 2019
本文介绍了一种称之为 DD3D 的单阶段,端对端的单目 3D 对象检测器,能够借助深度预训练提升准确性并解决如伪激光雷达方法的限制,通过深度估计和三维检测之间的有效信息传输,在大规模无标记数据的帮助下,达到了 KITTI-3D 基准测试中的 16.34%和 9.28%AP 的最新结果,以及在 NuScenes 中的 41.5%mAP。
Aug, 2021
提升单目深度学习算法中对于三维场景物体检测的表现,通过伪 LIDAR 点云实现与 LIDAR 算法的融合,最终在 KITTI 基准测试中取得了最优结果。
Mar, 2019
提出了基于 YOLO 与 stereo cameras 的新型 3D 物体检测算法,无需使用昂贵的 LiDAR 设备,性能与同类算法相当。
Mar, 2021
本文提出了一种利用立体照相机生成 3D 物体点云,并将深度估计和物体检测任务以同一度量空间进行统一的方法,其性能优于现有方法,具有更快的推理时间。
Jan, 2021
研究采用一种新型 2D 框和以物体为中心的立体匹配方法,通过测量目标物体的视差来解决当前立体匹配网络固有的偏差问题,从而实现自主驾驶中的 3D 对象检测。
Sep, 2019
通过利用无标签的历史雷达数据,我们提出了一种新颖、简洁且端到端可训练的框架 AsyncDepth,用于改进单目 3D 检测器的性能,并取得了一致且显著的性能提升。
Apr, 2024
本文提出了一种名为 SGM3D 的新方法,通过引入多粒度域自适应和基于 IoU 匹配的对齐方法,将立体 3D 特征适应到单眼检测中,显著提高了检测性能。实验证明,该方法在 KITTI 和 Lyft 数据集上取得了最先进的结果。
Dec, 2021
本文提出了一种基于可微分的表示变换模块的框架,使得 3D 物体检测与深度估计的深度神经网络能够在此统一的框架中进行端到端的训练,该框架与大多数目前最先进的神经网络兼容,并在 KITTI 基于图像的 3D 物体检测排行榜上获得最高名次。
Apr, 2020