OriCon3D: 利用方向和置信度的有效 3D 物体检测
本文提出了一种使用单张图片进行三维目标检测与姿态估计的方法,通过使用深度卷积神经网络来回归相对稳定的三维目标属性,并使用二维边界框提供的几何约束来组合这些估计,从而产生完整的三维边界框。
Dec, 2016
本文研究使用深度卷积神经网络来解决连续物体方位估计任务,并通过比较三种连续方位估计方法的效果证明,将连续方位估计任务转化为离散方位估计任务并使用均值漂移算法将离散方位估计结果转化回连续方位,其中基于离散化的方法不仅性能更好,而且达到了最先进水平。同时,文章也说明了在适应图像识别任务的深度卷积神经网络中,寻找合适的特征表示是获得良好性能的关键。
Feb, 2017
该研究提出了一种新的 3D 人体姿态估计方法,即利用肢体方向与肢体区域的边界框一起表示 3D 姿态,并且通过简单的方法在多项基准测试中取得了良好的结果,该方法具有较好的泛化性能。
Nov, 2018
该研究介绍了 ConvPoseCNN,它是一种全卷积架构,能够实现对象位姿的像素级密集预测,包括翻译和方向组件,其中密集方向以四元数形式表示,并使用不同方法对密集方向预测进行聚合,该方法与比较方法相比具有更少的参数和更快的训练速度,而且能够自动学习信任、无遮挡和特征丰富的对象区域。
Dec, 2019
本文提出了一种针对自动驾驶车辆 3D 物体检测任务的新型两阶段 3D 物体检测方法,通过深度卷积神经网络回归两个额外的 3D 物体属性并与二维和三维框之间的级联几何约束相结合,旨在获取 3D 空间中物体位置的最佳解。
Sep, 2019
通过研究路面对 3D 检测提供的额外信息,提出了一种嵌入式神经网络,能够充分利用这些应用程序特定的先验知识,从而实现使用单个 RGB 摄像机确定环境中对象的位置和方向的三维目标检测。
Feb, 2021
通过引入 SS3D 方法,成功在单目图像中实现三维物体检测,并通过建模异方差性提高了基准性能。该方法在保持简洁的同时,达到了当前状态下最高的检测精度,是实现自主驾驶等领域高性能检测的可靠框架。
Jun, 2019
该研究提出了一种基于深度神经网络和形态感知的三维目标检测方法,利用二维关键点和对应的三维坐标以及二维 / 三维的几何约束提高检测性能,并在公共数据集 KITTI 上实现了最新的性能。
Aug, 2021
本文提出了一种 3D 物体识别方法,利用 2D-3D 物体提升技术,逐步将对象检测输出增加到对象视点,关键点和 3D 形状估计,并在 Pascal3D + 数据集上同时实现 2D 边界框和视点估计的最佳方法。
Mar, 2015