CVPRJul, 2022

Omni3D：野外 3D 物体检测的大规模基准和模型

PDF
TL;DR提出了一个名为 Omni3D 的大型测试数据集，其中包含 234k 个图像，涵盖了 98 个类别和 300 万个实例。引入了 Cube R-CNN 模型，能够更好地检测和识别 3D 场景和物体。该数据集可用于加速对新数据集的学习和预训练。
3d object detectioncomputer visionomni3dcube r-cnndataset
发现论文，激发创造
  • 面向开放集合相机三维物体检测

    通过提出的 OS-Det3D 框架，利用特定训练的 3D 物体发现网络（ODN3D）和联合目标性选择（JOS）模块，提高相机 3D 检测器在鉴别已知和未知对象方面的能力，并在 nuScenes 和 KITTI 数据集上进行实验证明了该框架的有效性。

    Jun, 2024

  • Uni3D: 多数据集三维物体检测的统一基线

    该论文研究了如何训练一个来自多个数据集的统一 3D 检测器，提出了一种名为 Uni3D 的方法来解决数据级别和分类学级别的差异，证明了该方法的有效性并对进一步的 3D 泛化研究具有启发意义。

    Mar, 2023

  • ImageNet3D：面向通用对象级别 3D 理解

    通过与 ImageNet 数据集相结合，ImageNet3D 数据集提供了 200 个类别的 2D 和 3D 信息，从而为构建具有更强的通用性目标级三维理解的视觉模型提供了潜力。

    Jun, 2024

  • Occ3D：面向自动驾驶的大规模三维占据预测基准

    本研究提出了一种新的 3D 占据预测任务，旨在从多视图图像中估计对象的详细占据和语义信息，并介绍了 Coarse-to-Fine Occupancy (CTF-Occ) 网络模型，该模型在 3D 占据预测任务中表现出优越的性能。

    Apr, 2023

  • 常见三维物体：大规模学习和评估真实场景下的 3D 类别重建

    该研究提供了一种名为 CO3D 的大规模数据集，其中包含了 50 种 MS-COCO 类别的近 19,000 个视频，共计 1.5 百万帧真实的多视角图像，带有相机姿态和地面真实 3D 点云的注释，并利用该数据集进行了新视角综合和类别为中心的 3D 重建方法的大规模 “野外” 评估，并提出了一种基于 Transformer 的新型神经渲染方法 NerFormer，可根据物体的少数视角重建整个物体。

    Sep, 2021

  • 每个数据集都很重要：通过联合数据集训练扩展单目三维物体检测

    通过训练一个鲁棒的单目三维物体检测模型，采用包括多样化的三维和二维数据集、有选择地训练不同类别注释的数据集和使用二维标签的伪三维训练方法，我们可以获得具有强大泛化能力和对只有二维标签的新数据集表现出色的模型。

    Oct, 2023

  • A*3D 数据集：面向复杂环境的自动驾驶

    本文介绍了一份新的挑战性 A*3D 数据集，以满足自动驾驶研究任务在高度多样化的环境中的需求，并采用基于 RGB 图像和 LiDAR 数据的丰富多样的场景、时间和天气情况，其中包括重度遮挡和大量的夜间框架，共包含 39K 帧、7 个类别和 230K 个 3D 对象注释。对 A*3D 数据集进行广泛的 3D 对象检测基准评估，对高密度、白天 / 黑夜等各种属性给出了有趣的见解。

    Sep, 2019

  • Objectron：一个对野外物体为中心的大规模视频数据集，带有姿态标注

    介绍了 Objectron 数据集，旨在推进 3D 物体检测等新兴研究领域的发展，数据集中有九个类别的注释短视频，包含了 1400 万个注释图像和 14819 个注释视频。同时，提出了一种新的评估指标，3D Intersection over Union，证明了数据集在推进 3D 物体检测任务方面的有用性。提供了在该数据集上训练的基准模型。

    Dec, 2020

  • 通过区分性渲染和比较实现强大的三维感知物体分类

    该论文提出了一种新的基于神经纹理的 3D-aware 分类方法，通过使用不同可微渲染技术来估计 3D 目标姿态和分类信息，并得到了比现有单一任务模型更加鲁棒的结果。

    May, 2023

  • 拥挤城市场景下全方位 3D 多目标检测和跟踪的 H3D 数据集

    提出了一个大规模的全景三维多目标检测和跟踪数据集（H3D），包括 160 个高度互动的交通场景，总共 27,721 帧并提供对应的数据标注；作者还提出了标注方法来加速标注过程并为全方位三维多目标检测和跟踪算法创建基准测试。最终，讨论了算法以及未来研究中可能出现的错误来源。

    Mar, 2019