CAGroup3D：面向分类感知的点云三维目标检测中的分组算法

Oct, 2022

CAGroup3D：面向分类感知的点云三维目标检测中的分组算法

CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds

Haiyang Wang, Lihe Ding, Shaocong Dong, Shaoshuai Shi, Aoxue Li...

TL;DR提出了一种名为 CAGroup3D 的卷积神经网络二阶段稀疏三维物体检测框架，通过结合物体表面体素中相同语义预测的类别感知局部组策略生成高质量的三维建议，以及使用稀疏卷积 RoI 池化模块从骨干网中直接聚合细粒度的空间信息以进一步提升建议的效果。该方法具有更好的计算和内存效率，并且在 ScanNet V2 和 SUN RGB-D 数据集上实现了优于现有方法的三维检测性能。

Abstract

We present a novel two-stage fully sparse convolutional 3d object detection framework, named CAGroup3D. Our proposed method first generates some high-quality 3D proposals by leveraging the class-aware local group strategy on the object surface voxels with the same semantic predictions,

3d object detection convolutional neural network semantic prediction spatial information proposal refinement

发现论文，激发创造

SPGroup3D：室内 3D 物体检测的 Superpoint 分组网络

提出了一种用于室内场景的新型超点分组网络，通过对原始点云进行超点划分，利用几何感知的投票模块调整超点和物体中心之间的空间关系，采用超点注意力层和超点 - 体素融合层来探索提案内的一致性表示，利用超点来基于动态感受野进行有效的多次匹配，实现室内一阶段 3D 物体检测的最新性能。

Dec, 2023

点云三维目标检测中的平衡分组和采样

该研究报告介绍了我们的方法，该方法利用稀疏 3D 卷积提取丰富的语义特征，并将其输入到一个类平衡的多头网络中进行三维物体检测。通过我们设计的样本策略，可以在自动驾驶场景中处理严重的类别不平衡问题，并且在 nuScenes 数据集上，我们通过平衡分类组头进一步提高了性能。在 nuScenes3D Detection Challenge（WAD，CVPR 2019）中，我们的方法优于 PointPillars [14] 基线，在所有指标上取得了最新的检测性能。

Aug, 2019

RBGNet：基于射线分组的 3D 目标检测

本文提出了 RBGNet 框架，一种基于投票的 3D 检测器，用于从点云中精确检测 3D 物体。该框架使用基于射线的特征分组模块来聚合物体表面的点特征，以了解物体的形状以增强聚类特征，从而预测 3D 边界框。此外，作者还提出了一种新颖的前景偏置采样策略，以在下采样过程中采样更多物体表面上的点，并显着提高检测性能。

Apr, 2022

带有空间组卷积的高效语义场景补全网络

通过空间分组卷积（SGC）来加速 3D 密集预测任务的计算。SGC 是一种与组卷积正交的方法，它作用于空间维度而不是特征通道维度。它将输入体素划分为不同的组，然后在这些分离的组上进行 3D 稀疏卷积。在进行卷积时，只有有效的体素被考虑到，因此可以大大减少计算量并略微降低精度。我们将所提出的操作用于语义场景完成任务，该任务旨在从单个深度图像中预测具有语义标签的完整 3D 体积。基于 SGC，我们进一步提出了一种高效的 3D 稀疏卷积网络，它利用了多尺度架构和粗到精的预测策略。在 SUNCG 数据集上进行了评估，并实现了最先进的性能和快速速度。我们的代码可在 https URL 上获得。

Jul, 2019

FCAF3D：全卷积无锚点 3D 物体检测

本文提出了一种基于点云的体素表示方法 FCAF3D，该方法利用稀疏卷积处理体素，可以在单个全卷积正向传递过程中快速处理大规模场景；同时，通过提出新的物体边界框参数化方式，消除了现有方法中对物体几何的先验假设，提高了方法的数据驱动性。在 ScanNet V2、SUN RGB-D 和 S3DIS 等数据集上，该方法在 [email protected] 指标上均取得了当下最优结果。

Dec, 2021

基于语义装饰局部图的精确三维目标检测的 Graph R-CNN

本文提出了一种名为 Graph R-CNN 的二阶段三维目标检测器，它使用动态点聚合、RoI-graph 池化和视觉特征增强等方法，解决了现有二阶段三维目标检测器处理不均匀分布和稀疏室外点时的效率问题，并在 KITTI 和 Waymo Open Dataset 上大幅优于现有模型。

Aug, 2022

AGO-Net：基于关联引导的 3D 点云物体检测网络

通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

Aug, 2022

基于 Transformer 的无分组 3D 物体检测

利用 Transformers 中的注意力机制，以所有的点为输入，自动学习每个点对目标检测的贡献，并通过改进的注意力叠加方案将目标特征融合在不同的阶段，实现了最先进的 3D 目标检测性能。

Apr, 2021

基于点云的 3D 实例分割 SoftGroup

本研究提出了一种新的三维实例分割方法 - SoftGroup，通过自下而上的软分组，然后进行自上而下的细化，解决了现有方法中从语义预测错误中产生的误差问题，实现了对每个点与多个类别的关联，从而抑制了误报实例的产生。新方法的实验结果表明其比现有最强方法在各项评估指标上表现更好，并且还具有更快的运行时间。

Mar, 2022

动态图形识别 3D 物体的 DGCNN 算法

提出了一种在点云中基于消息传递和动态图形的 3D 物体检测架构，通过一种针对 3D 检测任务的集合到集合的蒸馏方法来简化知识蒸馏，实现了自动驾驶基准测试的最先进性能。

Oct, 2021