Sep, 2023

视点不受限的单目三维车辆检测中的多边形交并比损失

PDF
TL;DR提出一种基于凸多边形的全可微分算法，用于计算任意角度下两个三维边界框的 IoU，并利用该算法在三种最先进的视角不可知的三维检测模型上进行实验，结果表明提出的多边形 IoU 损失（PIoU 损失）收敛速度比 L1 损失更快，并且在三维检测模型中，PIoU 损失与 L1 损失的组合比单独使用 L1 损失时获得更好的结果（对于汽车的 MonoCon，AP70 提高了 1.64%，对于汽车的 RTM3D，AP70 提高了 0.18%，对于骑自行车的 MonoRCNN，AP50/AP25 分别提高了 0.83%/2.46%）。
monocular 3d object detectionviewpoint-agnosticpolygon iou lossconvex polygonsl1 loss
发现论文，激发创造
  • 单目三维物体检测的单应性损失

    本文提出了一种新的单目三维目标检测方法，通过考虑物体间的几何关系，探索它们的相互关系来更好地估计三维框，并使用检测到的二维框来全局约束相应的三维框的优化，通过提出的可微分损失函数（Homography Loss）来实现这一目标。实验证明，该方法表现出比其他最先进的方法在 KITTI 3D 数据集上具有更好的性能。

    Apr, 2022

  • 2D/3D 目标检测的 IoU 损失

    该研究探究了 IoU 计算在旋转边框中的应用，并实现了 IoU loss 层，使得在 2D 和 3D 目标检测任务中均获得了 KITTI 基准测试上的一致性改进。

    Aug, 2019

  • 使用交并比损失端到端训练的单目 3D 物体检测与盒式拟合

    通过引入 SS3D 方法，成功在单目图像中实现三维物体检测，并通过建模异方差性提高了基准性能。该方法在保持简洁的同时，达到了当前状态下最高的检测精度，是实现自主驾驶等领域高性能检测的可靠框架。

    Jun, 2019

  • 3D IoU-Net: 基于 IoU 的点云三维物体检测器

    提出了一种在 3D 物体检测中通过 IoU 预测来解决 NMS 中准确性问题的方法，使用了 3D IoU-Net 进行特征学习和准确性预测，并通过 Corner Geometry Encoding 和 Attentive Corner Aggregation 模块提取几何信息并实现对预测角度的不变性，实验结果表明，该方法在 KITTI car detection benchmark 上达到了最先进水平。

    Apr, 2020

  • 单阶段三维物体检测中基于 IoU 的优化的再思考

    本文提出一种新的旋转解耦 IoU (RDIoU) 方法，通过将旋转变量作为独立项来简化回归参数的复杂交互，并在回归和分类分支中应用 RDIoU，从而可以提高单级 3D 目标检测的准确性和稳定性，并在 KITTI 和 Waymo 开放数据集的广泛实验中验证，此方法可以带来相当大的改进。

    Jul, 2022

  • 直接优化 IoU 以进行边界框定位

    本文提出了一种新的损失函数 ——Smooth IoU，用于直接优化边界框的交并比，在多个数据集上显示出比标准的 Huber 损失更好的性能表现，该方法可应用于物体检测问题，使用卷积神经网络进行训练。

    Apr, 2023

  • 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

  • 单目三维物体检测分离

    该研究提出了一种通过单个 RGB 图像实现单目 3D 物体检测的方法，采用新颖的去耦合转换来实现 2D 和 3D 检测损失，以及一种新颖的自监督置信度分数来实现 3D 边界框。该方法通过隔离参数组对给定损失的贡献来解决了复杂互动参数存在的问题。同时，作者还通过改善 2D 检测结果的有符号交并比驱动损失来应用了损失去耦合。通过基于 KITTI3D 和 nuScenes 数据集的广泛实验评估和消融研究，该方法在车类别目标检测方面实现了新的最优成果。

    May, 2019

  • 基于几何约束的车辆识别：使用三维透视网络

    本研究基于车辆的单一 RGB 图像，提出了一种学习框架，其将 3D 视角的特征表示与 2D 外观特征相结合进行车辆识别，通过在 BoxCars 数据集上的分类和验证任务中取得优越性能的结果验证了该方法的有效性。

    Mar, 2019

  • 一种系统的 IoU 相关方法：超越简单回归以获得更好的定位

    提出一种基于 extended IoU 并采用 convexification 和 steady optimization 技术的新型损失函数方法，用于提高物体检测中的定位精度，并在 Faster R-CNN with ResNet50+FPN 中实现了显著的 mAP 提高，同时计算和推断的成本几乎没有增加。

    Dec, 2021