IJCAIApr, 2023

OSP2B: 一阶段点至框架网络用于 3D 映像跟踪

PDF
TL;DR提出了一种简单而有效的一阶段点对框网络，该网络用于基于点云的 3D 单目标跟踪，其中采用中心感知注意力机制和二进制目标分类器等方法来提升跟踪效果。
3d siamese trackingpoint-to-box networkcenter-aware focal losssingle object trackingbinary target classifier
发现论文，激发创造
  • P2B：基于点云的三维物体跟踪的点 - 盒网络

    该论文提出了一种名为 P2B 的网络，通过在嵌入了目标信息的 3D 搜索区域中定位潜在的目标中心，执行基于点的 3D 目标候选提议和验证。使用 Hough 投票回归潜在目标中心，利用 PointNet++ 作为骨干网，证明了该方法在 KITTI 跟踪数据集上的优越性。

    May, 2020

  • 通过单点监督的点对盒子网络，实现精准物体检测

    本文提出了 Point-to-Box Network (P2BNet) 方法，通过生成锚点式的建议来构建平衡的物体提议包，进而解决了单点监督目标检测方法存在的低性能问题。使用级联技术进一步提高了模型在 MS COCO 数据集上的表现。

    Jul, 2022

  • 基于孪生网络的视觉物体跟踪关键点预测网络

    本文介绍了一种针对视觉目标跟踪的新算法 Siamese Keypoint Prediction Network，该算法采用级联方法进行预测建模，并在四个基准数据集上实现了卓越的跟踪效果。

    Jun, 2020

  • 基于运动中心的三维点云单目标跟踪的范式：超越三维 Siamese 跟踪

    本文提出了一种基于运动中心范例的两阶段跟踪方法 M^2-Track 来解决传统外观匹配法在 LiDAR 点云跟踪中的不足，并在 KITTI、NuScenes 和 Waymo Open Dataset 三个数据集上表现出显著的精度提升（分别为 8％、17％和 22％），验证了该方法的有效性和前景。

    Mar, 2022

  • P2RBox：定向目标检测所需的唯一点

    我们介绍了 P2RBox 网络，它利用点注释和掩膜生成器创建掩膜提案，并通过我们的检查器模块和约束器模块进行过滤，从而选择高质量的掩膜，并将其转换为旋转边界框注释以训练一个全监督检测器。这是第一次尝试使用点监督训练定向物体检测器。

    Nov, 2023

  • 3DSSD：基于点云的三维单级物体检测器

    本文提出一种名为 3DSSD 的轻量级且高效的基于点云的三维单级物体检测器，采用了融合采样策略以及候选生成层、无锚点回归头、三维中心性分配策略的结构设计，其精度和速度都表现出很好的平衡，并且在 KITTI 和 nuScenes 数据集上取得了比同类方法显著更好的性能。

    Feb, 2020

  • OSOP: 多阶段一次拍摄物体姿态估计框架

    提出一种新颖的对象检测和 6 自由度姿态估计一次性方法，无需对目标对象进行训练，通过 2D-3D 对应估计物体姿态

    Mar, 2022

  • 基于盒式感知的点云单目标跟踪特征增强

    本文提出了一种基于 BoxCloud 和特征融合的 3D 物体跟踪算法，相比于之前的算法，在 KITTI 和 NuScenes 数据集上有了很大的提升。

    Aug, 2021

  • EasyTrack：高效紧凑的单流 3D 点云跟踪器

    通过 EasyTrack 提出一种新的一次性转换器 3D SOT 范例，利用点云跟踪特征预训练模块、统一的 3D 跟踪特征学习和融合网络，以及在密集鸟瞰特征空间中构建的目标定位网络，显著提高了 KITTI、NuScenes 和 Waymo 的性能，并具有较低的参数和高帧率。

    Apr, 2024

  • RPT: 孪生视觉跟踪的点集表示学习

    提出了一种基于代表点表示的有效视觉跟踪框架，结合多层级聚合策略获取细致的结构信息，实现了对目标状态的精确估计，并在多个基准测试上取得了新的最佳性能。

    Aug, 2020