Dec, 2023

VoxelKP：基于体素的网络结构用于 LiDAR 数据中的人体关键点估计

PDF
TL;DRVoxelKP 是第一个专为从 LiDAR 数据中进行 3D 关键点估计的单阶段完全稀疏网络，通过提出稀疏选择性卷积核、稀疏盒子注意力、空间编码和混合特征学习等四个创新方法，在 Waymo 数据集上实现了与当前最先进模型相比 27% 的 MPJPE 度量改进和 12% 的性能提升。
发现论文，激发创造
  • VoxelNet：基于点云的三维物体检测的端到端学习

    VoxelNet 是一种针对点云图像检测的深度网络，可以将点云分割成等间距的三维体素，并通过新引入的体素特征编码层将每组点转换为统一的特征表示，从而生成描述性的体积表示，并连接 RPN 以生成检测。

    Nov, 2017

  • LiDAR 3D 物体检测中的点密度感知体素

    提出了一种基于点密度感知的体素网络（PDV）方法，通过使用核密度估计和具有点密度位置编码的自注意力，通过聚合体素特征来解决 LiDAR 的点密度变化对 3D 物体检测精度的影响。实验结果表明，PDV 在 Waymo 开放数据集上优于所有最先进的方法，在 KITTI 数据集上取得了竞争性的结果。

    Mar, 2022

  • Voxel-FPN：在点云中多尺度体素特征聚合的三维物体检测

    本研究提出了一种基于 LIDAR 传感器的一阶段 3D 目标检测器，该检测器在从点数据中提取特征上表现出更好的性能，并在 KITTI-3D 基准测试中表现优异，其速度和准确性在实际场景中具有实际应用价值。

    Jun, 2019

  • HVNet：用于基于激光雷达的三维物体检测的混合体素网络

    我们提出了一种名叫 Hybrid Voxel Network（HVNet）的新型一阶段统一网络，用于基于点云的自动驾驶 3D 目标检测。在 KITTI 基准测试中，单个 HVNet 实现了最好的 mAP，并具有 31Hz 的实时推理速度。

    Feb, 2020

  • KeypointNeRF：使用关键点相对空间编码广义图像体化人物

    本文提出了一种新的人体建模方法，使用稀疏 3D 关键点编码相对空间 3D 信息，并在头部重建方面超过先前的最先进方法。同时也在人体重建方面性能可与参数化模型与时间特征聚合的先前工作相比拟，实验结果表明提出方法的高保真度建模指向了一个新的方向。

    May, 2022

  • HVPR: 单级 3D 物体检测的混合体素 - 点表示

    本文提出了一种新的单级三维检测方法 HVPR，它将点云的体素特征与点特征有效且高效地集成到一个伪图像的混合三维表示中，从而实现了三维对象的定位。同时，我们提出了一种 Attentive Multi-scale Feature Module（AMFM），用于考虑点云的稀疏和不规则分布，以提取具有尺度感知的特征，并在 KITTI 数据集上验证了我们方法的有效性和效率。

    Apr, 2021

  • PointVoxel: 多视角多模态 3D 人体姿态估计的简单有效流程

    提出了一种名为 PointVoxel 的流程，利用多视图 RGB 和 pointcloud 输入融合来获取 3D 人体姿势，并通过合成数据集生成器和无监督域自适应策略来克服在困难场景中标注 3D 人体姿势标签的挑战，展现了有希望的结果。

    Dec, 2023

  • VPFNet：基于体素像素融合的多类三维物体检测网络

    本论文提出了一种基于深度学习的融合多类三维物体检测网络，使用 Voxel-Pixel 融合层将激光雷达和相机传感器数据流进行联合，此方法在 KITTI 基准测试中表现优异，排名第一。

    Nov, 2021

  • 野外无需人类标注的点云三维人体关键点估计

    提出了一种无监督学习的方法 GC-KPL 来学习 3D 人体关键点定位，并且在未标注的数据集上取得了相对合理的性能，同时 GC-KPL 在少样本学习以及利用大量未标注数据方面得到了有效应用。

    Jun, 2023

  • KPRNet: 基于投影的激光雷达语义分割的改进

    本研究采用最新的图像和点云分割技术，在卷积神经网络体系结构和 point-wise 组件中应用 KPConv，从而在对 LiDAR 扫描进行分割的任务中实现更好的准确性。已经在 SemanticKITTI 基准测试中超过了当前最佳方法，达到了 63.1 的 mIoU。

    Jul, 2020