Jan, 2024

CascadeV-Det: 3D 物体检测的级联点投票

PDF
TL;DR基于点预测的无锚点目标检测器通过级联投票 (Cascade Voting) 策略实现高质量的三维对象检测，结合实例感知投票 (IA-Voting) 和级联点分配 (CPA) 模块以及改进的特征聚合方法，提高了目标检测的准确性，并在 SUN RGB-D 上达到了 70.4% [email protected] 和 51.6% [email protected] 的最先进结果。
anchor-free object detectorscascade voting3d object detectionpoint-based predictionmap
发现论文，激发创造
  • FCAF3D：全卷积无锚点 3D 物体检测

    本文提出了一种基于点云的体素表示方法 FCAF3D，该方法利用稀疏卷积处理体素，可以在单个全卷积正向传递过程中快速处理大规模场景；同时，通过提出新的物体边界框参数化方式，消除了现有方法中对物体几何的先验假设，提高了方法的数据驱动性。在 ScanNet V2、SUN RGB-D 和 S3DIS 等数据集上，该方法在 [email protected] 指标上均取得了当下最优结果。

    Dec, 2021

  • 点云三维目标检测的深度 Hough 投票

    本文提出了一种基于深度点集网络和 Hough 投票的端到端三维物体检测网络 VoteNet，通过纯几何信息在两个大型真实三维扫描数据集 ScanNet 和 SUN RGB-D 上实现了最先进的三维检测，且模型设计简单，模型大小小，效率高，并且不依赖于颜色图像。

    Apr, 2019

  • Vote3Deep：使用高效卷积神经网络快速检测三维点云中的物体

    本文提出了一种在三维点云中有效检测对象的方法，使用卷积神经网络并利用稀疏性，提出了基于特征中心投票方案的卷积层和 L1 正则化，实现了高效的大规模三维数据处理，并在 KITTI 物体检测基准测试中表现出优异的成果。

    Sep, 2016

  • 通过投票步骤扩散从点云中进行的 3D 物体检测

    通过估计点云分布的得分函数，将随机的 3D 点移动到物体中心分布的高密度区域，以改善 3D 物体检测的性能。

    Mar, 2024

  • 规范投票：朝向稳健的 3D 边界框检测

    该论文提出了一种使用 Local Canonical Coordinates 和 canonical voting scheme 的 3D 目标检测方法，能够在三个标准实际数据集上取得最优性能

    Nov, 2020

  • 弱监督点云变换器用于 3D 目标检测

    本文提出了一种用于 3D 物体检测的弱监督点云变换器框架，旨在降低对训练所需监督的数量，以减少对 3D 数据集进行注释的高成本，通过使用投票网络选择高质量的预设锚点，将信息提炼到学生网络和教师网络。

    Sep, 2023

  • Neighbor-Vote: 通过邻近距离投票提高单目 3D 物体检测

    本文介绍了一种新的邻居投票方法，以改进单目图像的伪激光雷达点云中的目标检测，特别是针对前景 ROI 伪激光雷达点的预测。我们还将实验结果与 KITTI 基准进行了比较，发现我们的方法优于现有的最佳方法。

    Jul, 2021

  • 基于掩码引导注意力的无锚点三维单阶段点云检测器

    提出了一种基于稀疏特征图的关注模块的单级无 Anchor 3D 对象检测方法，通过将基于体素的稀疏 3D 特征数据转换为稀疏 2D 特征图，直接从增强和稠密的 2D 特征映射中回归出 3D 边界框，并进一步提出了一种基于 IoU 的检测置信度重新校准方案，最终可用于点云数据的目标检测。

    Aug, 2021

  • ImVoteNet: 通过图像投票提升点云中的 3D 物体检测

    本文提出了一种新的三维检测方法 ImVoteNet，通过将二维图像和三维点云进行融合来实现，验证结果表明，此方法在 SUN RGB-D 数据集上优于先前方法，主要应用于 RGB-D 场景。

    Jan, 2020

  • AutoAlignV2：用于动态多模态 3D 物体检测的可变形特征聚合

    本研究提出了 Cross-Domain DeformCAFA 模块，以解决 AutoAlign 在全局关注方面存在的高计算成本问题。加入了特定采样点的跨模态关系建模，还设计了跨模态增强策略和图像级 dropout 训练方案，提出了一种更快、更强的 AutoAlignV2 多模态 3D 检测框架。

    Jul, 2022