May, 2023

PillarAcc：边缘设备上用于实时点云 3D 物体检测的稀疏 PointPillars 加速器

PDF
TL;DR本研究提出了一种具有开创性的算法硬件协同设计，利用 PointPillars 编码的稀疏性加速 3D 目标检测网络的处理，达到了极高的节能与速度。
3d object detectionpointpillarssparsityconvolutionhardware
发现论文，激发创造
  • PointPillars: 基于点云的目标检测快速编码器

    本篇论文介绍了一种新型编码器 PointPillars，该编码器可以将点云转为适合下游检测通道的格式，可应用于众多机器人应用中的物体检测，证明其在速度和准确性上都优于现有编码器，可优化无人驾驶等应用领域。

    Dec, 2018

  • PillarNeXt: 针对 LiDAR 点云的 3D 物体检测重新思考网络设计

    本文提出了基于 pillar 的算法模型在 LiDAR 3D 目标检测中的效果以及在架构和训练等方面的现代化设计，通过扩大感受野等方法取得了显著提升，在 Waymo 开放数据集和 nuScenes 数据集上实现了最优性能。

    May, 2023

  • PillarNet: 基于柱状物的实时高性能三维物体检测

    本文针对自动驾驶中实时、高性能三维物体检测的问题，提出了基于支柱的检测器 PillarNet。与现有的点云和三维卷积方法不同，PillarNet 仅使用 2D 卷积且具有高效灵活等特点，经过大规模数据集测试表明比现有方法有更好的效果和性能。

    May, 2022

  • 基于柱状物的自动驾驶目标检测

    本篇论文提出了一种适用于自动驾驶的简单灵活的物体检测框架，该框架基于车载点云数据的稀疏性质，通过柱状体进行多视角特征学习来解决过去方法因锚点不平衡带来的问题，采用一种新的适配柱状体的映射模块实现更精准的检测，而且该算法还避免了过去方法中涉及超参数搜索的问题，较大地提高了 3D 物体检测的准确率。

    Jul, 2020

  • 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

  • 选取 PointPillars 主干类型以实现快速准确的 LiDAR 物体检测

    本研究探讨了深度卷积神经网络背骨选择对于基于 LiDAR 传感器数据的 3D 目标检测精度和计算速度的影响，测试了 10 种不同的卷积神经网络架构，并在保证检测效率（以 mAP 度量）的前提下，显著提高 LiDAR 点云中 3D 物体检测速度。

    Sep, 2022

  • TimePillars: 时序循环的 3D LiDAR 物体检测

    通过时间周期性地利用 LiDAR 数据的柱状表示，TimePillars 可以实现在硬件集成效率约束下利用 Zenseact Open 数据集的多样性和长距离信息，从而实现稳健且高效的目标检测。

    Dec, 2023

  • PSA-Det3D: 用于 3D 物体检测的支柱集抽象

    本文提出了基于柱状集合抽象（PSA）和前景点补偿（FPC）的 PSA-Det3D 点检测网络，以解决 3D 点云中小物体检测的困难问题，并在 KITTI 3D 检测基准上进行了实验验证。

    Oct, 2022

  • TorchSparse: 高效点云推理引擎

    本文介绍 TorchSparse，一种高效的基于 GPU 加速的稀疏卷积计算引擎，应用于 AR/VR、自动驾驶等方面。通过采用自适应矩阵乘法分组技术和集成向量化、量化及融合的本地化优化存储访问技术，实现了 1.4-1.5 倍的速度提升和 2.7 倍的内存移动代价降低，相较当前最优方法 MinkowskiEngine 和 SpConv，分别实现了 1.6 倍和 1.5 倍的整体加速效果。

    Apr, 2022

  • PillarGen: 基于柱体的点生成网络增强雷达点云密度与质量

    我们提出了一种新颖的点云生成模型，称为 Pillar-based Point Generation Network (PillarGen)，它可以将一个域中的点云转换为另一个域中的点云，并生成密度和质量增强的合成点云。该模型通过三个步骤进行：pillar 编码、被占用 pillar 预测和 pillar 到点生成。我们利用自有的雷达数据集评估了 PillarGen 的性能，在短程雷达数据中利用长程雷达数据作为监督实现了密度和质量的提升。实验证明，PillarGen 在定量和定性指标上优于传统的点云上采样方法。我们还证实，将 PillarGen 应用于鸟瞰目标检测可以显著提高检测准确性。

    Mar, 2024