DSPDet3D:面向 3D 小目标检测的动态空间修剪
本文提出了 SparseDet 这一端到端的基于点云的三维物体检测算法,通过固定数量的可学习建议来代表潜在候选框,并使用堆叠的 transformers 直接进行三维物体的分类和定位,且无需后处理步骤,相比传统方法具有更高的效率和准确率。
Jun, 2022
文章提出了一种基于卷积神经网络的稀疏数据三维物体检测方法,称为 Generative Sparse Detection Network (GSDN),该方法将稀疏的数据集扩展成支持物体检测的密集数据,该方法在三个 3D 室内数据集上进行验证,取得了 7.14% 的相对改进,而且比最佳前期工作快了 3.78 倍。
Jun, 2020
应用于 3D 点云处理的深度神经网络在 AR/VR、自动驾驶和机器人等领域中表现出了先进的性能;然而,随着神经网络模型和 3D 点云的扩大,减少计算和存储开销以满足现实应用的延迟和能耗约束成为一个关键挑战。本文提出了一种针对 3D 目标检测的新型后训练权重剪枝方案,该方案与现有的 3D 点云稀疏化方法正交,确定了导致局部性和可信度(检测失真)最小的预训练模型中的冗余参数,并提供了一个与任意 3D 检测模型兼容的通用剪枝框架,旨在通过基于失真的二阶泰勒近似来识别逐层稀疏性,最大程度地保持检测精度。在 KITTI、Nuscenes 和 ONCE 数据集上进行的大量实验证明了我们的方法在减少计算量(FLOPs)的同时能够保持甚至提升剪枝模型的检测精度,值得注意的是,我们在 CenterPoint 和 PVRCNN 模型上实现了超出 3.89 倍和 3.72 倍的 FLOPs 减少,而不降低 mAP,显著提高了最新技术水平。
Jul, 2024
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
在对象检测领域,提出了 QueryDet 算法,使用了新颖的查询机制来加速基于特征金字塔的对象检测器的推理速度,既可以收获高分辨率特征图的好处,又可以避免背景区域的无用计算,从而在保证精度的前提下提高了推理速度。
Mar, 2021
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
我们提出了一种名为 DOPS 的快速单级 3D 物体检测方法,其核心创新点是一种快速、单次遍历的体系结构,同时检测 3D 物体并估计其形状。该方法通过图卷积进行聚合,并将 3D 边界框参数传入网络分支以预测表示每个检测到的物体形状的潜变量代码,因此我们的模型能够在没有目标数据集的地面真实形态信息的情况下提取物体形状。与现有技术相比,在 ScanNet 场景的目标检测中,我们的方法实现了约 5% 的技术进步,在 Waymo 开放数据集中实现了高达 3.4% 的技术进步,同时重现了检测到的汽车的形状。
Apr, 2020
该论文提出了一种基于终端到终端的 CNN 模型,其使用稀疏的分布估计方案 —— 定向稀疏采样,并对模型进行了场景自适应优化,具有实时评估率和较高的精度,尤其针对细粒度对象具有更大的 regions-of-interest 集合。
Mar, 2017
提出了一种在点云中基于消息传递和动态图形的 3D 物体检测架构,通过一种针对 3D 检测任务的集合到集合的蒸馏方法来简化知识蒸馏,实现了自动驾驶基准测试的最先进性能。
Oct, 2021
本文研究在自动驾驶中基于 LiDAR 的三维物体检测问题,发现传统的下采样操作可能对信息造成不可避免的损失,提出了一种称作 Single-stride Sparse Transformer (SST) 的新方法,该方法利用 transformers 避免了单步架构中接受域不足的问题,有效处理了点云的稀疏性并显著提升了检测性能,验证集上 Level-1 AP 值达到了 83.8,小物体(行人)检测表现尤为突出。
Dec, 2021