ICCVAug, 2023

PARTNER: 极化表示优化 LiDAR 3D 物体检测

PDF
TL;DR最近，极坐标表示在感知任务中表现出了有希望的特性。除了分开不均匀地表示点云的笛卡尔方法外，将点云表示为极坐标网格被认为是一个替代方法，因为它在不同分辨率下表现稳健，且对基于流的方法具有优越性。然而，最先进的极坐标检测方法不可避免地遭受特征失真问题，因为极坐标表示被非均匀地划分，导致与笛卡尔方法相比存在不可忽略的性能差距。为了解决这个问题，我们提出了一种新的极坐标三维物体检测器 PARTNER。PARTNER 通过全局表示重新对齐缓解特征失真困境，并通过将实例级几何信息引入检测头来促进回归。大量实验证明，在基于流的检测和不同分辨率方面具有压倒性优势。此外，我们的方法在 Waymo 和 ONCE 验证集上相对于先前的极坐标方法取得了显著优势，分别达到了 3.68% 和 9.15％的竞争性结果。
发现论文，激发创造
  • PolarNet：在线激光雷达点云语义分割的改进网格表示

    本文提出了针对 LiDAR 数据的新型自动驾驶车辆的语义分割算法 PolarNet，通过極坐标系间接对齐分割网络的注意力，解决了点云分布不均等问题。在三个不同的真实城市 LiDAR 单次扫描数据集中，该编码方案显著提高了平均交并比，同时保持了接近实时的吞吐量。

    Mar, 2020

  • PolarFormer: 使用极坐标变换器进行多摄像头三维物体检测

    本论文提出了一种基于极坐标系的新型检测模型，可应用于自动驾驶中的 3D 物体检测，该模型利用多视角相机 2D 图像输入，设计了跨注意力的极坐标检测头，通过多尺度极坐标表示学习策略来解决自由变化的物体尺寸，实验表明此模型显著优于现有的 3D 物体检测方法。

    Jun, 2022

  • 基于视觉的全景环视三维检测的极坐标参数化

    本文提出了一种基于极坐标参数化的全景相机三维检测技术，使用视野对称性作为归纳偏置来简化优化和提高性能，并基于此提出了一种名为 PolarDETR 的环视 3D 检测转换器，在 nuScenes 基准测试中从速度到性能均表现出色。

    Jun, 2022

  • 一次训练，多次部署：基于极坐标自适应 BEV 感知的自动驾驶

    利用极坐标表示建立基于图像的 BEV 特征图，在极空间中沿射线的特征可以方便地自适应地采样，并投影到具有任意分辨率的笛卡尔空间中以实现一次多次部署的目的。

    Apr, 2023

  • 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

  • 基于图像的三维物体检测的端到端伪 LiDAR

    本文提出了一种基于可微分的表示变换模块的框架，使得 3D 物体检测与深度估计的深度神经网络能够在此统一的框架中进行端到端的训练，该框架与大多数目前最先进的神经网络兼容，并在 KITTI 基于图像的 3D 物体检测排行榜上获得最高名次。

    Apr, 2020

  • PolarDet: 一种用于航拍图像中旋转目标的快速、更精确的检测器

    本文提出了一种基于极坐标表示法、利用亚像素中心语义结构的快速高精度一阶段物体检测算法 ——PolarDet，其在航拍图像的物体检测任务上取得了几乎所有 SOTA 性能，并在 UCAS-AOD 数据集上取得最佳表现和最快速度（32fps）。

    Oct, 2020

  • 单目 3D 物体检测的渐进式坐标变换

    本文提出一种名为 “Progressive Coordinate Transforms”（PCT）的新型简单的轻量级方法来促进学习坐标表示，通过引入具有自信损失的定位增强机制来逐步改进定位预测，并利用语义图像表示来弥补局部提案的使用，得到了在 KITTI 和 Waymo Open Dataset 单眼 3D 检测基准上具有卓越的改进并具有良好的泛化性能。

    Aug, 2021

  • PolarNet: 基于语言引导的机器人操作的 3D 点云

    通过使用 3D 点云来进行语言引导的操纵任务，我们提出了一种名为 PolarNet 的策略，该策略通过精心设计的点云输入、高效的点云编码器和多模态变换器来学习 3D 点云表示并将其与语言指令集成以进行行动预测。在 RLBench 基准测试中，PolarNet 在各种实验中显示出了高效和数据高效性，并在单任务和多任务学习中优于最先进的 2D 和 3D 方法。它在实际机器人上也取得了令人期待的结果。

    Sep, 2023

  • DPPD：可变形极坐标多边形目标检测

    该研究提出了一种新的 Deformable Polar Polygon Object Detection 方法，使用带有灵活顶点的稀疏多边形表示来实现精确形状对齐和低计算成本，通过稠密重新采样训练和预测多边形，实现高精度的物体形状学习，并成功应用于自动驾驶中的各种物体检测任务。

    Apr, 2023