May, 2023

雷达物体检测网络中点云的改进多尺度网格渲染

PDF
TL;DR提出了一种新颖的多尺度 KPPillarsBEV 架构，该架构通过新颖的网格渲染方法（KPBEV）将点云上下文编码到网格渲染中，进而提高了雷达目标检测的性能，并在 nuScenes 数据集上进行了广泛实验，取得了显著的性能优于基线和先前的最新技术。
point cloudsconvolutional neural networksradar-based object detectiongrid renderingmulti-scale kppillarsbev
发现论文，激发创造
  • 基于混合目标检测网络的汽车雷达方向估计与检测改进

    本文提出一个混合体系结构，结合网格和基于点的处理方法，以提高雷达物体检测网络的检测性能和定位估计。通过实验，证明了该模型可以提取邻域特征，从而获得比以往文献中的网络更好的检测性能和方位估计。

    May, 2022

  • 汽车雷达目标检测网络中的稀疏性利用

    本文研究了稀疏卷积物体检测网络在自动驾驶系统中的应用，通过与基线模型对比，证明了 SKPP-DPVCN 架构在 Car AP4.0 的表现上超过了基线模型和之前的最新技术，同时在平均尺度误差上也实现了显著减少。

    Aug, 2023

  • 基于图的点云学习的多核扩散 CNNs

    本研究提出一种新的架构设计，结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习，从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。

    Sep, 2018

  • PointNeRF++: 多尺度、基于点的神经辐射场

    使用多尺度稀疏体素网格聚合点云，平均多个尺度以克服点云稀疏性，在全局尺度加入体素表示模拟无点区域，并在 NeRF 合成、ScanNet 和 KITTI-360 数据集上验证方法，显著优于现有技术。

    Dec, 2023

  • 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

  • 基于图卷积核的三维点云物体检测

    该研究提出了一种基于 2D 透视范围图像的卷积神经网络架构方法，可用于直接从范围图像视图学习 3D 表示。通过利用本地几何和跨模态融合处理，该方法在行人检测方面的 AP 从 69.7％提高到 75.5％，同时模型参数和操作速度均表现良好。

    Jun, 2021

  • 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

  • PillarNeSt: 基于主干网络扩展和预训练的基于柱状体的三维物体检测

    本研究论文展示了 2D 背骨缩放和预训练对基于 pillar 的三维物体探测器的有效性，通过引入在大规模图像数据集上预训练的密集 ConvNet 作为 pillar-based 探测器的 2D 背骨，基于模型大小自适应设计的 ConvNets 可根据点云的特征（如稀疏性和不规则性）发挥其在点云领域的扩展能力，我们提出的 PillarNeSt 在 nuScenes 和 Argoversev2 数据集上远远超过现有的 3D 物体探测器。

    Nov, 2023

  • 快速点云 R-CNN

    本篇研究提出了一种基于点云的三维物体检测框架，采用两个阶段的方法，利用体素表示和点云原始数据的优势进行特征提取，并在 KITTI 数据集上进行评估，取得了 3D 和 Bird's Eye View（BEV）检测的最新成果，检测速度达到了每秒 15 帧。

    Aug, 2019

  • 高效 LiDAR 全景分割的稀疏跨尺度注意力网络

    通过稀疏跨尺度注意力网络，结合全局体素编码注意力捕捉实例上下文的长距离关系，以提高过分割大型对象的回归精度，并采用实例中心的稀疏无类表示来处理面积聚合点，实现稀疏卷积以减少网络计算量。在 SemanticKITTI 数据集上，我们的方法在 3D LiDAR 全景分割任务中取得了很大进展，以实时推理速度获得了第一名。

    Jan, 2022