ICCVAug, 2023

QD-BEV: 量化感知视图引导蒸馏多视角三维物体检测

PDF
TL;DRQD-BEV 是一种应用于多视角三维检测的方法，通过量化以及视角引导的蒸馏目标，可以提高模型性能并减少模型大小。
multi-view 3d detectionbevquantizationview-guided distillationmodel compression
发现论文，激发创造
  • 结构化知识蒸馏方法实现高效紧凑的多视角三维检测

    本论文提出了一种基于结构化知识蒸馏的框架，旨在提高现代视觉仅 BEV 检测模型的效率，并在 nuScenes 基准测试上表现出显著的优越性，平均改善 2.16mAP 和 2.27NDS。

    Nov, 2022

  • OCBEV: 基于物体的 BEV Transformer 用于多视角 3D 物体检测

    提出了一种新的 Object-Centric query-BEV 检测器 OCBEV 方法，它可以更有效地针对动态场景中移动目标的时间和空间线索。经过在挑战性的 nuScenes 数据集进行广泛实验评估后，该方法取得了最先进的结果，比传统的 BEVFormer 提高了 1.5 个 NDS 点，并具有更快的收敛速度和更少的训练迭代次数来达到相似的性能。

    Jun, 2023

  • BEVDet：高性能多摄像头鸟瞰视角三维物体检测

    本文介绍了一种名为 BEVDet 的算法，它能够基于 Bird-Eye-View 拍摄的视频进行 3D 目标检测，通过利用数据增强策略和升级最大值抑制策略来提高性能，同时在精度和时间效率之间实现出色的平衡。

    Dec, 2021

  • BEVDepth: 多视角 3D 物体检测可靠深度获取

    本文提出一种新的基于相机的鸟瞰图三维目标检测方法，称为 BEVDepth，通过使用显式深度监督、镜头感知深度估计模块、深度细化模块以及定制的高效八叉树池化和多帧机制，实现了 60.9％的 NDS。这是相机模型首次达到 60％以上的 NDS 得分。

    Jun, 2022

  • 基于扩散的粒子 DETR 用于 BEV 感知

    融合扩散范式与当前最先进的三维目标检测技术在鸟瞰图中提出了一种基于扩散的对象检测模型，通过对象查询插值技术解决了特定网络结构和匹配策略带来的性能下降问题。在 NuScenes 数据集上的大量实验表明，我们的生成方法相较于确定性最先进方法具有相等或更好的性能表现。

    Dec, 2023

  • DA-BEV：无监督领域自适应鸟瞰视觉感知

    DA-BEV 是第一个通过利用图像视图特征和 BEV 特征之间的互补性来解决域自适应 BEV 挑战的域自适应基于相机的 BEV 框架，引入了查询的概念，通过查询来从图像视图和 BEV 特征中推导有用的信息，通过查询引导对方的自适应，经过大量的实验，DA-BEV 在多个数据集和任务（如 3D 目标检测和 3D 场景分割）中持续实现了卓越的域自适应 BEV 感知性能。

    Jan, 2024

  • DynamicBEV: 利用动态查询和时间上下文进行三维物体检测

    动态 BEV（Bird's Eye View）是一种新的查询方法，利用动态查询和动态场景下的聚类以及注意力机制，有效地从局部和远距离特征中聚合信息，实现对复杂场景的迭代适应，进而提高三维物体检测的效率和性能，从而在查询式 BEV 物体检测领域取得了划时代的突破。

    Oct, 2023

  • DistillBEV：利用跨模态知识蒸馏提升多摄像头三维目标检测

    通过训练基于多视角鸟瞰图（BEV）的学生检测器来模仿经过训练的基于 LiDAR 的教师检测器的特征，从而提高多视角 BEV 的表示学习，并通过有效的平衡策略和多尺度层的时间融合实现知识传输，实验证明该方法在多个多视角 BEV 模型上显著改善了学生模型，达到了流行基准 nuScenes 的最新性能。

    Sep, 2023

  • 3D 物体检测的群等变 BEV

    本研究提出了一种基于群等变理论的 GeqBevNet，将群等变概念引入到 BEV 融合对象检测网络中，从而促进了 BEV 级别的旋转等变特征提取，从而降低了平均方向误差，并能提取出更多的等变特征来改善实际道路场景中的 3D 对象检测和目标定位性能，实验证明 GeqBevNet 可以将 mAOE 减小到 0.325。

    Apr, 2023

  • 从 3D 到鸟瞰图的知识蒸馏用于 LiDAR 语义分割

    该研究提出了一种有效的三维（3D）到 Bird's-Eye-View（BEV）知识蒸馏方法，将丰富的知识从基于 Voxel 的模型传递到基于 BEV 的模型，该方法应用于自动驾驶领域的 LiDAR 点云分割任务中，明显提高了准确性，SemanticKITTI 数据集是该研究的实验验证平台。

    Apr, 2023