ICCVAug, 2023

FocalFormer3D：聚焦于 3D 物体检测的困难实例

PDF
TL;DR通过使用多阶段的 Hard Instance Probing（HIP）方法和 FocalFormer3D 模型，本研究探索并改进了三维物体检测中的误检问题，提高了难度较大物体的识别和检测效果。
false negatives3d object detectionhard instance probingfocalformer3dexcavating difficult objects
发现论文，激发创造
  • FCOS3D：全卷积单阶段单目三维物体检测

    研究了 3D 目标检测中的 2D 检测问题，提出了基于全卷积单级检测器的通用框架 FCOS3D，在不使用 2D 检测或 2D-3D 对应先验的前提下，通过重新定义中心性和将对象分配到不同的特征级别等方式，得到了简单而又高效的解决方案。在 NeurIPS 2020 的 nuScenes 3D 检测挑战赛中，该方法在所有只使用视觉信息的方法中获得第一名。

    Apr, 2021

  • 3DMOTFormer：在线三维多目标跟踪的图形转换器

    基于 Transformer 架构构建的学习几何 3D MOT 框架 3DMOTFormer，在进行跟踪检测双向图的基础上，通过边分类进行数据关联，并提出了一种新颖的在线训练策略，通过自回归和递归前向传播以及序列化批量优化来减少训练和推断之间的分布不匹配。

    Aug, 2023

  • CenterFormer：基于中心点的 Transformer 用于 3D 物体检测

    本文提出了一种基于中心点的变换网络 ——CenterFormer，它使用查询嵌入来聚合中心候选点的特征向量，并设计了一种通过交叉注意力来融合多帧特征的方法。在 Waymo Open 数据集上，CenterFormer 在单个模型上实现了先进水平，取得了 73.7% 的验证集和 75.6% 的测试集 mAPH, 显著优于以前所有已发表的基于 CNN 和 transformer 的方法。

    Sep, 2022

  • 面向开放集合相机三维物体检测

    通过提出的 OS-Det3D 框架，利用特定训练的 3D 物体发现网络（ODN3D）和联合目标性选择（JOS）模块，提高相机 3D 检测器在鉴别已知和未知对象方面的能力，并在 nuScenes 和 KITTI 数据集上进行实验证明了该框架的有效性。

    Jun, 2024

  • 通过 3D 到 2D 查询从多视角图像中进行 3D 物体检测

    提出了一种基于多摄像头的 3D 对象检测框架，使用基于上下文注意力的网络，直接在 3D 空间中进行边界框的预测，实现了全球最佳性能。

    Oct, 2021

  • TrajectoryFormer：基于预测轨迹假设的三维物体跟踪变换器

    TrajectoryFormer 是一种基于点云的 3D 多目标跟踪 (MOT) 框架，通过使用带有时间预测框和当前帧检测框的多个轨迹假设进行轨迹框关联，结合长期目标运动特征和短期目标外观特征来创建每个假设的特征嵌入，引入全局 - 局部交互模块来模拟所有假设的空间关系，从而达到 Waymo 3D MOT 基准测试中的最佳性能。

    Jun, 2023

  • FADet：一种基于本地突出特征的多传感器三维物体检测网络

    基于多传感器融合和局部特征注意力模块，本文提出了 FADet，一种用于自动驾驶任务的多传感器 3D 检测网络，能够在相机、LiDAR 和雷达输入下的长尾和复杂场景中实现有效的目标检测结果，并在 LiDAR - 相机和雷达 - 相机目标检测任务上达到了最先进的性能。

    May, 2024

  • FroDO：从检测到三维物体

    FroDO 是一种从 RGB 视频进行精确的 3D 物体实例重建的方法，它将对象形状嵌入新颖学习空间中，并使用稀疏和密集形状表示进行形状和姿态优化，以及视图几何、光度和轮廓损失进行优化，可用于单视图、多视图和多对象重建。

    May, 2020

  • HDNET：利用高清地图进行三维物体检测

    本文表明，高清地图提供了强有力的先验知识，可以提高现代三维物体探测器的效能和稳健性。为此，我们设计了一种从高清地图提取几何和语义特征的单级探测器，并提出了一个地图预测模块，可以从原始 LiDAR 数据中实时估计地图。我们在 KITTI 数据集以及包含 100 万帧的大规模三维检测基准测试中进行了广泛的实验，结果表明本文提出的地图感知探测器在有地图和无地图情况下都始终优于现有技术水平。重要的是，整个框架的运行速度达到了每秒 20 帧。

    Dec, 2020

  • Focus-and-Detect: 一种用于航拍图像的小目标检测框架

    本文提出了一种名为 “Focus-and-Detect” 的两阶段物体检测框架，包括一个用高斯混合模型监督的物体检测网络来生成聚焦区域，以及一个物体检测网络来预测指定区域中的物体。同时，本文还提出了一种名为 IBS 的方法，可以克服区域搜索方法的截断效应，并在 VisDrone 验证数据集上获得了 42.06 的 AP 得分，超越所有已知的最先进的小物体检测方法。

    Mar, 2022