CVPRMar, 2023

VoxelNeXt：3D 物体检测与跟踪的全稀疏 VoxelNet

PDF
TL;DR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。
发现论文，激发创造
  • VoxelNet：基于点云的三维物体检测的端到端学习

    VoxelNet 是一种针对点云图像检测的深度网络，可以将点云分割成等间距的三维体素，并通过新引入的体素特征编码层将每组点转换为统一的特征表示，从而生成描述性的体积表示，并连接 RPN 以生成检测。

    Nov, 2017

  • VoxelNextFusion：一个简单、统一且有效的多模态三维物体检测体素融合框架

    VoxelNextFusion 是一种多模态的三维物体检测框架，通过有效地融合稀疏点云和密集图像之间的信息，解决了现有基于体素方法在稀疏和密集特征融合上的问题，从而在 KITTI 和 nuScenes 数据集上实现了 3D 物体检测的显著改进。

    Jan, 2024

  • SparseDet: 一种简单而有效的基于全稀疏 LiDAR 的 3D 物体检测框架

    提出了一种基于稀疏查询的 SparseDet 稀疏三维物体检测方法，通过局部多尺度特征聚合模块和全局特征聚合模块，完整地捕捉了上下文信息，提高了代理物体表达能力。实验结果在 nuScenes 和 KITTI 上验证了该方法的有效性。

    Jun, 2024

  • PillarNeXt：通过引入 Voxel2Pillar 特征编码和提取多尺度特征改进 3D 检测器

    提出的 PillarNeXt 方案利用多线 LiDAR 和基于点云的三维探测器，在自动驾驶中提取多尺度特征，并通过特征编码、骨干网络和网络结构改进来优化性能。

    May, 2024

  • 重新思考三维物体检测的体素化和分类

    该论文提出了一种解决方案，通过实现快速动态体素化器，以便在快速基于柱体模型中像体素化器在缓慢的基于体素模型中工作一样工作，实现网络推理速度和精度的提高。此外，作者还提出了轻型检测子头模型来分类预测的物体，并过滤出虚假的检测物体，从而显著提高模型的精度，在可忽略的时间和计算成本内。

    Jan, 2023

  • HVNet：用于基于激光雷达的三维物体检测的混合体素网络

    我们提出了一种名叫 Hybrid Voxel Network（HVNet）的新型一阶段统一网络，用于基于点云的自动驾驶 3D 目标检测。在 KITTI 基准测试中，单个 HVNet 实现了最好的 mAP，并具有 31Hz 的实时推理速度。

    Feb, 2020

  • 基于体素的单图像多物体三维检测和重建

    该研究提出了一种基于 3D 体素特征的中心点检测方法，其中包括一个有效的粗细重建模块，可从单个 2D 图像中检测和重建多个物体的 3D 位置和形状。

    Nov, 2021

  • VR3Dense: 用于三维物体检测和单目密集深度重建的体素表示学习

    介绍了一种联合训练 3D 目标检测和单目稠密深度重建神经网络的方法，通过 LiDAR 点云和单个 RGB 图像生成物体姿态预测和密集重建深度，其中 LiDAR 点云被转换为一组体素并使用 3D 卷积层提取特征，通过另一个 2D 卷积神经网络提取相应的 RGB 图像特征，并使用这些组合特征来预测密集深度图。

    Apr, 2021

  • Voxel-FPN：在点云中多尺度体素特征聚合的三维物体检测

    本研究提出了一种基于 LIDAR 传感器的一阶段 3D 目标检测器，该检测器在从点数据中提取特征上表现出更好的性能，并在 KITTI-3D 基准测试中表现优异，其速度和准确性在实际场景中具有实际应用价值。

    Jun, 2019

  • 基于 Siamese Voxel-to-BEV 的 3D 稀疏点云跟踪器

    本文提出了一种 Siamese Voxel-to-BEV Tracker，通过 Siamese 形状感知特征学习网络和体素到 BEV 目标定位网络大幅提高了稀疏点云中的 3D 物体追踪性能，并在 KITTI 和 nuScenes 数据集上得到了显著的性能优化。

    Nov, 2021