弱监督点云变换器用于 3D 目标检测
本文提出 VS3D,一个从点云中弱监督学习的 3D 目标检测框架,其中引入了无监督的 3D proposal 模块和跨模态知识蒸馏策略,在 KITTI 数据集上取得了优异的性能。
Jul, 2020
本文提出一种基于弱监督学习的 3D 物体检测方法,只需要少量弱标记场景和少量精确标记的物体实例来训练,而且使用该方法训练的模型可以作为 3D 物体注释器使用,并显示出提高性能的潜力。
Jul, 2020
本研究提出了一种利用弱标签预测三维点云中点级结果的方法,使用分类网络训练生成伪点级标签,再使用点级伪标签以全监督方式训练点云分割网络,实验结果在 ScanNet 数据集上证明了该方法的有效性。
Mar, 2020
利用 Transformers 中的注意力机制,以所有的点为输入,自动学习每个点对目标检测的贡献,并通过改进的注意力叠加方案将目标特征融合在不同的阶段,实现了最先进的 3D 目标检测性能。
Apr, 2021
本文提出 3DFeat-Net 算法,利用弱监督学习 3D 特征检测器和描述符,通过对齐和注意机制学习 GPS/INS 标记的 3D 点云的特征对应关系,无需显式指定匹配点群,实验表明其在室外重力对齐数据集上取得了最优表现。
Jul, 2018
本文介绍了一种基于 Fast Point Transformer 的新型轻量级自我关注层的方法,用于对大型 3D 场景进行处理和提高计算效率,并应用于 3D 语义分割和 3D 检测,具有与基于体素的最佳方法相竞争的准确性和比 Point Transformer 更快的推理时间。
Dec, 2021
对于弱监督的三维物体检测任务,本文提出了一种框架来研究如何在无需任何三维标签的情况下利用二维和三维领域之间的约束,通过三种视角的视觉数据建立二维和三维领域之间的关联。实验证明,在无需使用任何三维标签的情况下,该方法在 KITTI 数据集上取得了与最先进方法相媲美的性能。
Dec, 2023
本文中,我们提出了一种改进的两阶段 3D 目标检测框架 CT3D,其中利用高质量的区域提议网络和基于通道的 Transformer 架构来同时执行提议感知嵌入和通道方式的上下文聚合,以获取更准确的目标预测,具有优秀的性能和可伸缩性,尤其是在 KITTI 测试 3D 检测基准中,众车类别的 AP 为 81.77%,优于现有最先进的 3D 检测器。
Aug, 2021
本文提出了一种基于 3D 自监督学习的点云学习方法,通过旋转点云实现无标签的自我监督,在形状分类和 3D 关键点预测等任务上表现出色,学习到的特征优于其他自监督方法。
Aug, 2020
信息瓶颈限制了 3D 物体检测的准确性和可扩展性,因此我们提出了基于 Transformer 的 PVTransformer 架构,通过用注意模块替换 PointNet 池化操作来改善点到体的聚合函数,从而在广泛使用的 Waymo Open Dataset 上实现了卓越的表现。
May, 2024