Apr, 2023

一旦检测到即无法丢失：离线激光雷达三维目标检测超越人类表现

PDF
TL;DR本文旨在提高离线基于 LiDAR 的三维物体检测的性能，提出了一种新的基于轨道中心的检测器 CTRL，并设计了一个双向跟踪模块和一个轨道中心学习模块，实现了 “一旦检测，永不失误” 的特征。大量实验表明，我们的方法在竞争激烈的 Waymo Open 数据集中超越了人类注释的准确性和以往最先进的方法。
lidar-based 3d object detectiontrack-centric perspectivebidirectional tracking modulectrlwaymo open dataset
发现论文，激发创造
  • DetZero: 重新思考长时序点云离线三维目标检测

    通过引入 DetZero 模式，提出了一种离线追踪器和多帧检测器定位的离板 3D 目标检测新范式，引入注意机制细化模块以跨长期时间轴加强上下文信息交互，并在 Waymo 数据集上实验证明其显着优于当下所有状态 - of-the-art onboard 和 offboard 的 3D 检测方法，并取得了 85.15 mAPH (L2) 的检测效果。

    Jun, 2023

  • 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

  • LiDAR R-CNN：一种高效且通用的三维物体检测器

    本文研究基于激光雷达点云的三维检测在自动驾驶的感知系统中的重要性，并提出了 LiDAR R-CNN，这是一种可改进任何现有三维检测器的第二阶段检测器，采用了基于点的方法解决了实时和高精度要求的问题，在实际中具有普适性和优越性能。

    Mar, 2021

  • 利用过去的 LiDAR 改进单目 3D 检测器

    通过利用无标签的历史雷达数据，我们提出了一种新颖、简洁且端到端可训练的框架 AsyncDepth，用于改进单目 3D 检测器的性能，并取得了一致且显著的性能提升。

    Apr, 2024

  • 无标签激光雷达扫描移动对象检测学习

    该研究提出一种基于未标记数据、仅使用简单常识启发式方法，无需人工标注就能自我训练出一种高度准确的 3D 物体探测器，从而实现将自动驾驶技术应用到全球各地。

    Mar, 2022

  • LaserNet: 高效的概率三维物体检测器，用于自动驾驶

    本文提出了 LaserNet，一种 3D 物体检测的计算有效方法，它通过在传感器的本地范围视图中处理 LiDAR 数据来提高效率，并使用全卷积网络来预测每个点的 3D 框的多模式分布，然后高效地融合这些分布以生成每个对象的预测，实验证明这种方法比其他方法具有显著更低的运行时间，并且在大型数据集上具有比其他检测器更好的性能。

    Mar, 2019

  • 基于激光雷达点云辅助的单目三维物体检测

    通过使用粗略标签和无标签雷达点云伪标签，LPCG 可以在自动驾驶系统中显著降低标注成本或显著提高检测准确性，在 KITTI 基准测试和 Waymo 基准测试中都取得了很好的效果。

    Apr, 2021

  • 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

  • LISO：纯激光雷达无监督三维物体检测

    自动驾驶堆栈中，3D 物体检测是最重要的组成部分之一，但当前最先进的激光雷达物体检测器需要昂贵而缓慢的人工注释才能取得良好性能。我们引入了一种自我监督方法来训练 SOTA 激光雷达物体检测网络，该方法仅基于未标记的激光点云序列工作，我们称之为轨迹规范化自我训练。我们演示了我们的方法对于多个 SOTA 物体检测网络在多个真实世界数据集上的有效性。

    Mar, 2024

  • 从点云序列进行离线 3D 物体检测

    本文提出了一种使用点云序列数据的离线三维对象检测方法，通过多帧对象检测和新颖的对象中心细化模型利用时间点，实现了高质量的自动化三维对象标注，比当前先进的在线检测器表现更优秀，甚至接近人类标注。

    Mar, 2021