MMSep, 2022

基于特征的点云数据目标检测模型选择

PDF
TL;DR该论文提出了一种基于特征的深度学习模型选择框架，利用多种深度学习方法以及两种人工技术生成的伪缺失训练数据创建各种深度学习模型，以针对实际环境中获取的点云数据特征选择最合适的深度学习模型进行目标检测任务，证实了根据实际情况选择适当的深度学习模型的重要性。
smart monitoring3d image sensorsobject detectiondeep learning modelsfeature-based model selection
发现论文，激发创造
  • 从稀疏点到稠密点云：通过有限的 LiDAR 数据增强 3D 检测

    提出了一种结合单目和基于点云的三维检测的平衡方法，使用低成本、低分辨率的传感器获取仅有 512 个点，然后将这有限的三维信息与单张图像结合重建完整的三维点云，通过与多模态现成的三维检测器结合使用，使得三维检测的准确率相比于最新的单目检测方法提高了 20%，相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。

    Apr, 2024

  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023

  • 在高分辨率 3+1D 雷达背景下的 3D 物体检测器综述

    基于深度学习的雷达感知、三维物体检测、激光雷达点云、雷达数据的检测性能和适配等方面的研究综述。

    Aug, 2023

  • 基于点云的三维全卷积网络车辆检测

    本文将全卷积网络技术扩展到三维，并将其应用于点云数据的车辆检测任务中，实验结果表明该方法在自动驾驶领域的 KITTI 数据集上表现较之前的点云检测方法有显著提升。

    Nov, 2016

  • 通过基于距离的点云密度优化提升 LiDAR 三维物体检测

    本文通过数据角度分析了现有的 LiDAR 3D 目标检测算法尤其是对于离传感器较远区域性能欠佳的问题，发现检测模型中存在对密集物体的学习偏差，提出了一种基于模型无关的点云密度调整预处理机制，使用迭代 MCMC 优化估计不同距离范围内点密度的最优参数，实验证明这种技术可以提高现有检测器的性能。

    Jun, 2023

  • 高级相机 - LiDAR 融合与机器学习的 3D 物体检测

    本研究提出了一种使用单目摄像头和 LiDAR 数据结合的机器学习技术，通过以国际排名领先的二维物体探测器生成的锥体区域来分割 LiDAR 点云，从而检测运动平台周围的车辆的 3D 边界框参数， 最终验证集准确率达到 87.1％。

    May, 2021

  • 用于驾驶场景中点云车辆检测和跟踪的反卷积网络

    本文提出了一种使用 3D 激光雷达信息的汽车检测和跟踪系统，其中检测步骤使用卷积神经网络（CNN），并通过多假设扩展卡尔曼滤波器实现多目标跟踪。此基于激光雷达的方法与基于图像的检测器使用大约相似的结果并仅使用原始数据的 4％。

    Aug, 2018

  • 通过在点云上模拟多模态来增强三维物体检测

    该研究提出一种新的方法，通过教会单模（LiDAR）三维目标探测器模拟多模（LiDAR 图像）探测器的特征和响应来提高其效率，从而实现在推断时只需要 LiDAR 数据的目标识别，经过实验，这种方法在性能上优于所有 SOTA 的 LiDAR-only 3D 检测器，甚至超越了基线 LiDAR-image 检测器，填补了单模与多模检测器之间的 72％mAP 差距。

    Jun, 2022

  • 基于 RGB-D 数据的三维物体检测的台阶式点云网络

    本文探讨了利用深度学习在 3D 物体检测中，针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度，以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估，相比现有技术取得了显著的大幅度升级，并具有实时性能。

    Nov, 2017

  • 自动驾驶中的三维物体检测与跟踪的深度学习方法：简要综述

    自动驾驶中的目标检测和跟踪是重要且基础的任务，旨在在场景中识别和定位预定义类别的对象。这篇论文展示了最近在深度学习方法中对于 3D 目标检测和跟踪的研究进展，以帮助更好地了解该领域的现状。

    Nov, 2023