Jun, 2023

自适应距离间隔分离：渐进理解深度图的单目三维物体检测

PDF
TL;DR本文提出了一种名为自适应距离间隔分离网络（ADISN）的框架，该框架将深度地图视为介于 LiDAR 和图像之间的形式，并通过自适应分割方法将深度地图划分为不同的子图，利用 CNN 提取特征并通过不同的分支分别学习定位检测任务和外观任务，同时设计了不确定性模块以缓解深度估计的不准确问题。
monocular 3d object detectiondepth mapspseudo-lidar point cloudsadaptive distance interval separation networkuncertainty module
发现论文，激发创造
  • 利用视觉深度估计的伪 LiDAR：弥合自动驾驶中 3D 目标检测的差距

    本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达（pseudo-LiDAR）表示的方法，从而使得使用便宜的单 ocular 或立体成像数据进行 3D 物体检测时的精度在 KITTI 数据集上大幅提高到了 22% 到 74%。

    Dec, 2018

  • 从单张图像中预测多层深度：揭示物体背后的景深信息

    该论文提出了一种基于卷积神经网络的方法，通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白，用于虚拟现实和减弱现实领域的单幅图像的新视点合成。

    Jul, 2018

  • 自适应离散视差体用于自监督单目深度估计

    自监督的单目深度估计任务中，离散视差预测已被证明比常规连续方法获得更高质量深度图。然而，当前的离散化策略通常以手工制定且刚性的方式将场景的深度范围划分为箱子，限制了模型的性能。本文提出了一种可学习模块，自适应离散视差体积（ADDV），能够动态感知不同 RGB 图像中的深度分布，并为其生成自适应箱子。该模块可以集成到现有的 CNN 架构中，使网络能够为箱子生成代表性数值和其概率分布。此外，我们引入了新的训练策略 - 均一化和锐化 - 通过损失项和温度参数，以在自监督条件下提供规范化，防止模型退化或崩溃。实证结果表明，ADDV 能有效处理全局信息，在各种场景中生成适当的箱子，并与手工方法相比产生更高质量的深度图。

    Apr, 2024

  • 用于单目三维物体检测的分类深度分布网络

    提出了一种 Categorical Depth Distribution Network (CaDDN) 的解决方案，用于解决单目三维目标检测中的深度估计问题。在 KITTI 3D 目标检测基准测试中排名第一，同时也提供了用于 CaDDN 的代码发布。

    Mar, 2021

  • 学习深度引导的卷积用于单目 3D 物体检测

    本研究提出了一种新的本地卷积神经网络 (D4LCN)，该网络通过学习基于图像深度映射的过滤器及其响应域，克服了传统 2D 卷积的局限性，缩小了图像表达和 3D 点云之间的差距，显著提高了 3D 物体检测的性能。

    Dec, 2019

  • 概率和几何深度：透视中的物体检测

    该文通过构建几何相关图，利用概率表示来解决单目三维检测的问题，从而提高了检测性能并保持实时性的有效性。

    Jul, 2021

  • AdaDepth: 无监督内容一致自适应深度估计

    本研究提出一个无监督领域适应策略 --AdaDepth，通过对抗式学习和对齐源域和目标域表征的显式强制内容一致性，克服了使用合成数据集时可能出现的领域适应问题，在单目深度估计任务中表现出与其他方法具有竞争力的性能并在半监督设置中实现了最先进的结果。

    Mar, 2018

  • 图像深度预测的无监督领域适应

    本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

    Sep, 2019

  • 半监督对抗式单目深度估计

    本文提出了一种半监督对抗学习框架来解决当仅有有限数量的训练图像 - 深度对时，单目深度估计的问题，并在 NYUD v2 数据集上改进了大部分最先进的模型。

    Aug, 2019

  • Associate-3Ddet: 基于感知到概念的三维点云物体检测关联

    本文提出了一种新颖的基于领域自适应的方法，以增强点云数据的鲁棒性，成功地解决了 3D 目标检测中出现的挑战性任务并达到了最先进水平。

    Jun, 2020