ICCVSep, 2023

SHIFT3D: 合成困惑 3D 检测器的硬输入

PDF
TL;DRSHIFT3D 通过使用有符号距离函数（SDF）表示对象，并利用梯度错误信号来平滑地改变 3D 对象的形状或姿态，从而生成既具有结构合理性又对 3D 物体探测器具有挑战性的 3D 形状。这种方法为现代 3D 物体探测器提供了可解释的失败模式，并可以在潜在的安全风险发展为关键故障之前帮助及时发现潜在的安全风险。
发现论文，激发创造
  • ST3D：基于自训练的三维物体检测无监督域适应

    本论文提出了一种新的域自适应自训练流水线（ST3D），用于基于点云的 3D 物体检测的无监督域自适应。该流水线通过特定的设计使检测器能够与一致且高质量的伪标签进行训练，并避免过度配合伪标记数据中大量的易样本，实现了对所有评估数据集的领先性能，并甚至超过了 KITTI 3D 目标检测基准的全监督结果。

    Mar, 2021

  • 面向自动驾驶的具有变换对称性的三维物体检测

    在自动驾驶领域，应用 TED 模型能够高效地检测汽车等 3D 物体。TED 利用稀疏卷积提取多通道等变体素特征，使得其在处理大量数据时仍然能快速的检测物体。同时，在 KITTI 竞赛的排名上表现十分出众，达到全球第一。

    Nov, 2022

  • SSF3D：基于切换滤波器的严格半监督三维物体检测

    SSF3D 改进了面向点云数据的半监督 3D 目标检测（SS3DOD）框架，通过应用严格的阈值和过滤器切换机制来提高性能。

    Mar, 2024

  • S$^3$-MonoDETR: 基于形状和尺度感知的单目三维物体检测的可变形 Transformer

    该研究论文提出了一种新的监督形状与尺度感知变形注意力模块（S$^3$-DA），用于单目三维物体检测，通过利用视觉和深度特征生成具有不同形状和尺度的多样局部特征，并同时预测相应的匹配分布，为每个查询点施加有价值的形状与尺度感知，从而有效地估计属于任何类别的查询点的感受野，提高了检测准确性。

    Sep, 2023

  • AutoShape：实时形状感知单目三维物体检测

    该研究提出了一种基于深度神经网络和形态感知的三维目标检测方法，利用二维关键点和对应的三维坐标以及二维 / 三维的几何约束提高检测性能，并在公共数据集 KITTI 上实现了最新的性能。

    Aug, 2021

  • 自动驾驶中高效有效的三维目标检测的跨聚类转移

    我们提出了一种新的基于 3D 点的检测器模型，名为 Shift-SSD，用于自动驾驶中的精确 3D 物体检测。

    Mar, 2024

  • 通过 SDF 形状先验的可微分渲染进行三维物体自动标注

    本文提出了一种自动标注管道，通过考虑学习的形状先验知识和优化几何和物理参数，从预训练的二维检测器和稀疏 LIDAR 数据中恢复 9D cuboids 和 3D 形状。我们使用可微分形状渲染器到符号距离场（SDF），结合归一化对象坐标空间（NOCS）来解决这个具有挑战性的问题，同时还提出了一个循序渐进的学习策略，在自我改进的注释回合中，逐步训练难度不断增加的样本，KTIT3D 数据集上的实验表明，我们可以恢复大量准确的立方体，并且这些自动标注可以用于训练带有最新结果的三维车辆检测器。

    Nov, 2019

  • CT3D++：基于关键点引导的通道注意力变换提升 3D 物体检测

    通过引入两个旨在准确高效地检测和定位三维空间中物体的 3D 物体检测框架，本文目的是解决当前 3D 检测的灵活性和可伸缩性不足的问题，并在 KITTI 数据集和大规模 Waymo 数据集上取得最先进的性能。

    Jun, 2024

  • SDFDiff：三维形状优化中符号距离场的可微分渲染

    提出了使用可微分渲染 3D 形状来进行基于图像的形状优化的 SDFDiff 方法，并将其应用于多视图 3D 重建问题，并采用多分辨率策略获得了稳健的优化算法。同时，还可将其与深度学习模型集成，实现无需 3D 监督学习 3D 对象的学习方法，并在单视图 3D 重建方面取得了最先进的结果。

    Dec, 2019

  • MS3D: 三维对象检测中基于多个检测器的无监督域自适应

    提出了一种新的自我训练管道 MS3D，用于无监督领域适应的 3D 目标检测，其使用不同的预训练探测器结合时间信息生成高质量的伪标签进行微调。使用我们提出的核密度估算（KDE）盒融合方法来融合来自多个域的盒子提议，以获得超过最佳源域探测器性能的伪标签。MS3D 表现出更大的领域位移鲁棒性，并能够在较大距离上产生准确的伪标签，因此非常适合从高到低波束领域适应和反之。该方法在所有评估数据集上都取得了最先进的性能，而且我们证明了预先训练源探测器的选择对自我训练结果影响较小，因此 MS3D 适用于实际应用。

    Apr, 2023