Oct, 2022

CAGroup3D：面向分类感知的点云三维目标检测中的分组算法

HTML
PDF
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。
发现论文，激发创造
  • 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

  • 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

  • 学习分组：一种针对未见类别的底部向上的三维零件发现框架

    本研究提出一种基于学习的聚合聚类框架，在提取局部上下文以促进泛化到未知类别的情况下，学习部件的几何先验知识，并在不看到任何注释样本的情况下将其应用到未见过的类别中，实现了对大规模细粒度3D零件数据集PartNet的有效分割。

    Feb, 2020

  • Voxel R-CNN：面向高性能体素化三维目标检测

    本文提出了一种基于体素的框架——Voxel R-CNN，通过从体素特征中提取RoI特征，实现与最先进的基于点的模型相当的检测准确度，但计算成本只有一小部分，并在KITTI数据集上实现了更高的检测准确度和实时图像处理速率。

    Dec, 2020

  • 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

  • 金字塔形状的 R-CNN：更好的性能和适应性，用于 3D 目标检测

    本文提出了一种名为金字塔R-CNN的框架，用于从点云中进行两阶段三维物体检测。该框架通过金字塔感兴趣区域（RoI）网格、RoI网格注意力和密度感知半径预测模块，自适应地从稀疏点中学习特征，以解决稀疏和不均衡情况下的检测问题，并在KITTI数据集和Waymo Open数据集上显著超过最先进的3D检测模型。

    Sep, 2021

  • FSD V2：利用虚拟体素改进全稀疏三维物体检测

    FSDv2是一种基于LiDAR的全稀疏架构，通过引入虚拟体素的概念，取代了FSDv1中基于聚类的实例分割，消除了手工设计引入的归纳偏差，从而提高了模型的普适性。通过实验验证，FSDv2在不同场景中展现出卓越的性能，尤其在远距离场景中具有优势，并且已经开源以促进可复现性和进一步的研究。

    Aug, 2023

  • MS23D：一种使用多尺度语义特征点构建3D特征层的三维目标检测方法

    MS$^{2}$3D是一个两阶段的三维检测框架，利用小尺寸的体素提取细粒度的局部特征和大尺寸的体素捕捉长程局部特征，通过多尺度语义特征点构建三维特征层并计算特征点与目标质心的偏移，以提高特征聚合的效率，在KITTI数据集和ONCE数据集上验证了该方法的有效性。

    Aug, 2023

  • 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

  • 体素眼镜蛇：基于点云的三维物体检测的无群组状态空间模型

    基于序列化的方法在3D物体检测中展示了其有效性，但是将三维体素序列化为一维序列会不可避免地牺牲体素的空间接近性。本文引入了一种名为Voxel Mamba的体素状态空间模型（Voxel SSM），采用无分组策略将全部体素空间序列化为单一序列，并提出了一种双尺度SSM块以建立分层结构，增强1D序列化曲线的感受野和三维空间的完整局部区域。利用位置编码隐式地应用窗口分割，进一步增强了体素的空间接近性。在Waymo Open Dataset和nuScenes数据集上的实验证明，Voxel Mamba不仅实现了比现有方法更高的准确性，并且在计算效率方面具有显著优势。

    Jun, 2024