Aug, 2023

I3DOD: 基于激励的增量式三维物体检测

PDF
TL;DR我们提出了一种新的增量 3D 物体检测框架，采用提示引导的方式，通过任务共享的提示机制学习目标定位信息和类别语义信息之间的匹配关系，并通过可靠的蒸馏策略从可靠的模型转移知识，最终在两个基准数据集上表现出优于现有方法的检测性能。
3d object detectionincremental learningknowledge transferprompt mechanismreliable distillation
发现论文，激发创造
  • I3DOL: 基于增量学习的三维物体学习，避免灾难性遗忘

    用自适应几何中心模块构建鉴别性局部几何结构，然后通过几何感知注意机制，探索具有高贡献度的唯一 3D 几何特征，从而不断地学习新类别的 3D 物体。同时，通过分数公平补偿策略，进一步缓解由于过去和新类别的 3D 物体之间的不平衡数据而导致的灾难性遗忘，以弥补新类别的偏差预测。实验验证了该模型的优越性。

    Dec, 2020

  • 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

  • 3DIoUMatch: 利用 IoU 预测实现半监督 3D 物体检测

    本研究提出了一种基于半监督学习的 3D 目标检测方法，通过教师 - 学生的互相学习机制传播信息，结合置信度过滤和 3D IoU 定位度量，实现了在室内外场景下进行更有效、精确的目标检测，提升了现有方法的表现。

    Dec, 2020

  • DA-CIL: 领域自适应，增量式的三维物体检测

    本文提出了一种基于领域自适应的增量式学习方法，即 DA-CIL，通过多个领域的数据增强和知识蒸馏来提高在不同领域下的深度学习三维物体检测的准确性和泛化性能。实验证明，DA-CIL 在领域自适应增量学习场景下具有较好的性能。

    Dec, 2022

  • 路边单目三维检测通过 2D 检测提示

    通过使用 2D 检测作为指令，我们提出了一种新颖且简单的方法来解决沿路单目三维检测问题，该方法在两个大规模路边三维检测基准上取得了当前最先进的性能。

    Apr, 2024

  • 目标检测的多任务增量学习

    本研究提出了三种不同的跨领域和类别增量学习的目标检测模型，并利用注意力特征蒸馏方法进行知识的延续，并通过三种代表性的采样方法发现对不同目标类别的记忆较为困难，而领域之间的差异对目标检测的负面影响较小。实验表明，所提出的方法在七个目标检测基准数据集上均取得了显著的改进。

    Feb, 2020

  • ODM3D：缓解前景稀疏性以提升半监督单目三维物体检测

    通过半监督学习，利用大量未标记的数据，我们提出了 ODM3D 框架，通过跨模态知识蒸馏和新增的数据增强策略来提高单眼 3D 物体检测器的性能，取得了在 KITTI 验证和测试基准上的第一名成绩，显著超过所有现有的单眼方法（监督或半监督）在 BEV 和 3D 检测指标上。

    Oct, 2023

  • 基于元学习的跨模态提示的多模态小样本目标检测

    本文介绍了一种基于多模态少样本学习的目标检测方法，使用视觉样本和分类语义信息来检测目标，通过元学习和提示学习相结合，在不需要微调的情况下建立通用少 / 零样本检测模型，同时引入知识蒸馏来解决针对稀有类别缺乏类名称先验知识的问题，通过在多个少样本数据集上的实验来验证该方法的有效性。

    Apr, 2022

  • 城市景观 - 3D 上的联合 2D-3D 多任务学习：3D 检测、分割和深度估计

    TaskPrompter 是一种多任务提示框架，通过使用 Cityscapes-3D 数据集实现联合 2D-3D 任务学习，以实现单眼 3D 车辆检测、语义分割和单眼深度估计的预测，为开发自动驾驶系统做出了积极的贡献，相较于单任务最先进方法表现出更强的性能，并在挑战性的 3D 检测和深度估计任务上建立了新的最先进结果。

    Apr, 2023

  • iDet3D: 高效交互式激光雷达点云物体检测

    通过提供用户友好的 2D 界面，iDet3D 能够在最小的交互中帮助用户注释场景中的全部目标，通过密集点击引导和空间点击传播等技术实现了高精度的三维目标检测的有效加速。

    Dec, 2023