Jun, 2023

DetZero: 重新思考长时序点云离线三维目标检测

PDF
TL;DR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。
offboard 3d object detectionobject trackerscontextual information interactionmulti-frame detectorwaymo dataset
发现论文，激发创造
  • 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

  • Waymo 开放数据集挑战赛 3D 检测和域自适应解决方案第一名

    介绍了一种无锚点、无 NMS 的 3D 点云目标检测器，使用对象关键点编码 3D 属性实现端到端检测，利用数据增强和点着色以及投影到相机空间和图像感知信息的附加属性来增强性能，并通过模型集成和 TTA 在 3D 检测和域自适应路线上实现了第一名。

    Jun, 2020

  • 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

    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。

    Apr, 2023

  • Complexer-YOLO：基于语义点云的实时 3D 目标检测和跟踪

    本文提出了一种融合神经网络、视觉语义分割、在自主驾驶场景下的 3D 目标检测方法，引入了一种名为 SRTs 的快速评估指标，并采用状态优化的多目标特征跟踪机制，实现了高精度和实时性的平衡，并在 KITTI 基准测试中验证了方法的有效性。同时，该方法首次将视觉语义与 3D 目标检测相融合。

    Apr, 2019

  • 基于中心点的三维物体检测与跟踪

    本文提出了使用基于点的方法代替基于盒子的方法进行三维物体的探测、跟踪及定位，并介绍了该方法中的 CenterPoint 框架，该框架检测对象的中心，然后针对其进行其他属性的回归，简化了物体跟踪，最终在 nuScenes 基准测试中达到了 65.5 NDS 和 63.8 AMOTA 的最高性能，同时超过了之前单一模型方法的所有记录，并在所有 Lidar-only 提交中排名第一。

    Jun, 2020

  • SparseDet：朝向端到端的 3D 物体检测

    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

  • 从稀疏点到稠密点云：通过有限的 LiDAR 数据增强 3D 检测

    提出了一种结合单目和基于点云的三维检测的平衡方法，使用低成本、低分辨率的传感器获取仅有 512 个点，然后将这有限的三维信息与单张图像结合重建完整的三维点云，通过与多模态现成的三维检测器结合使用，使得三维检测的准确率相比于最新的单目检测方法提高了 20%，相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。

    Apr, 2024

  • AFDet：基于锚点的一阶段三维物体检测

    提出了一种名为 AFDet 的基于 CNN 加速器或 GPU 的单阶段检测器，避免了基于锚点的检测方法中后处理复杂且计算代价高、锚点参数调整困难的问题。在 KITTI 和 Waymo 数据集验证集上表现良好。

    Jun, 2020

  • 一种用于 3D 物体检测的端到端 Transformer 模型

    3DETR 是一种基于 Transformer 的端到端目标检测模型，适用于 3D 点云，相较于现有的检测方法，它需要最少的修改，可以通过将 3D 领域知识整合进去得到进一步的改进，在 ScanNetV2 数据集上，相比于 VoteNet 基线具有 9.5% 更好的性能，并且适用于其他 3D 任务。

    Sep, 2021

  • PTT：用于高效时序三维物体检测的点轨迹变换器

    提出了一种基于时间 LiDAR 的三维物体检测方法，利用点云和轨迹特征相结合的点轨迹变压器和长短期记忆，实现了对三维物体的高效检测。对大规模 Waymo 数据集进行了广泛实验，证明了该方法在性能上优于现有的方法。

    Dec, 2023