CVPRApr, 2022

基于 Focal Sparse 卷积网络的 3D 物体检测

PDF
TL;DR本文提出了两个基于可学习特征稀疏性和位置重要性预测的新模块：焦点稀疏卷积和其多模式变体，可以很容易地替代现有稀疏卷积神经网络中的基本组件，并以端到端的方式联合训练，该新模块在 KITTI、nuScenes 和 Waymo 基准测试上进行了广泛实验，并在 nuScenes 测试基准中胜过了所有现有的单一模型条目。
3d object detectionsparse convolutional networksfocal sparse convolutionposition-wise importance predictionlearnable feature sparsity
发现论文，激发创造
  • 使用子流形稀疏卷积网络进行 3D 语义分割

    本研究提出了一种新的稀疏卷积操作，旨在更高效地处理空间稀疏数据，并使用其开发出空间稀疏卷积网络 (SSCNs)。我们在涉及三维点云的语义分割任务中展示了这种模型的强大性能，特别是我们的模型在最近一个语义分割竞赛的测试集上超越了所有以前的最新技术。

    Nov, 2017

  • 使用稀疏点 - 体卷积搜索高效的 3D 架构

    提出了一种轻量级的 Sparse Point-Voxel Convolution 模块作为基础，通过基于 SPVConv 的灵活体系结构设计空间，实现了 3D Neural Architecture Search 以搜索高效而有效的网络体系结构，并将该方法应用于自动驾驶和 3D 目标检测领域，取得了较好的实验结果。

    Jul, 2020

  • 汽车雷达目标检测网络中的稀疏性利用

    本文研究了稀疏卷积物体检测网络在自动驾驶系统中的应用，通过与基线模型对比，证明了 SKPP-DPVCN 架构在 Car AP4.0 的表现上超过了基线模型和之前的最新技术，同时在平均尺度误差上也实现了显著减少。

    Aug, 2023

  • 稀疏不变卷积神经网络

    本文提出了一种用于处理稀疏数据的卷积神经网络架构，采用了一种稀疏卷积层，能够在深度上采样中取得优异的实验效果，作者构建了一个新的基准数据集 KITTI benchmark 进行了验证。

    Aug, 2017

  • Vote3Deep：使用高效卷积神经网络快速检测三维点云中的物体

    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

  • 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

  • OA-CNNs: 三维语义分割的全能自适应稀疏卷积神经网络

    通过提出自适应感受野和自适应关系两个核心组件，我们发现在保持计算成本最小的前提下，纯稀疏卷积神经网络在室内外场景中的准确性方面优于点云变换网络，且速度至少有 5 倍之多的提升。这一发现突显了纯稀疏卷积神经网络超越变换网络的潜力。

    Mar, 2024

  • 子流形稀疏卷积网络

    文章提出了一种针对稀疏数据的稀疏卷积操作方法，不同于以前的稀疏卷积网络，其在处理子流形时非常高效，与最先进的方法性能相当，但需要明显更少的计算。

    Jun, 2017

  • 多模态三维物体检测的虚拟稀疏卷积

    本文提出了一种新的虚拟稀疏卷积操作算子 VirConv (Virtual Sparse Convolution)，并基于此设计了 VirConvNet，用于快速且有效地进行基于虚拟点的 3D 目标检测，并在 KITTI 3D car 检测中取得了领先的成果，代码公开。

    Mar, 2023

  • 稀疏 3D 卷积神经网络

    研究了用于处理稀疏三维输入数据的卷积神经网络，并以 2D 三角晶格和 3D 四面体晶格的 CNN 效率为研究重点，适合于 3D 物体识别和时空对象分析等应用。

    May, 2015