Feb, 2024

YOLOPoint 关节点和物体检测

PDF
TL;DR未来的智能车辆必须能够理解并安全地穿行其周围环境。基于摄像头的车载系统可以使用关键点和物体作为 GNSS 无关的 SLAM 和视觉里程计的低级和高级地标。为此，我们提出了 YOLOPoint，一种将 YOLOv5 和 SuperPoint 结合起来，在图像中同时检测关键点和物体的卷积神经网络模型，通过使用共享骨干和轻量级网络结构，YOLOPoint 在 HPatches 和 KITTI 基准测试上表现出了竞争力。
intelligent vehiclescamera-based vehicle systemsyolopointconvolutional neural networkvisual odometry
发现论文，激发创造
  • Complexer-YOLO：基于语义点云的实时 3D 目标检测和跟踪

    本文提出了一种融合神经网络、视觉语义分割、在自主驾驶场景下的 3D 目标检测方法，引入了一种名为 SRTs 的快速评估指标，并采用状态优化的多目标特征跟踪机制，实现了高精度和实时性的平衡，并在 KITTI 基准测试中验证了方法的有效性。同时，该方法首次将视觉语义与 3D 目标检测相融合。

    Apr, 2019

  • 基于点云的实时三维目标检测复合 YOLO 算法

    使用激光雷达基于点云数据构建一个能够实时 3D 检测物体的深度学习算法，该算法使用了 Euler-Region-Proposal Network (E-RPN) 技术，确保了高准确性和高效率。该算法在 KITTI 基准测试中表现出色。

    Mar, 2018

  • 物件作为点

    本文提出了一种基于中心点检测的方法，该方法使用关键点估计来找到物体的中心点，并回归到所有其他物体属性，例如大小，3D 位置，方向和姿态，实现了较好的速度和精度。

    Apr, 2019

  • YOLO-Pose: 使用物体关键点相似性损失增强 YOLO 进行多人姿态估计

    提出了 YOLO-pose 模型，它是一种不需要热力图的多人关键点检测和 2D 姿势估计方法。与现有的基于热力图的两阶段方法相比，该模型可以进行端到端的训练，并优化 Object Keypoint Similarity 指标。该模型在 COCO 测试集上取得了 90.3% 的 AP50 成果，不需要翻转测试、多尺度测试或任何其他测试时间增强。

    Apr, 2022

  • YOLOPose V2：基于 Transformer 的 6D 姿态估计的理解与改进

    基于 Transformer 的 YOLOPose 模型通过关键点回归和改进的方式实现多目标 6D 姿态估计，适用于实时应用，并达到与最先进方法相媲美的效果。

    Jul, 2023

  • 基于 Yolov5-OBB 的航空摄影测量地面控制点自动检测

    该论文提出了一种基于 YOLOv5-OBB、置信度阈值过滤算法和最优排序算法的深度学习解决方案，用于自动提取航空影像中地面控制点坐标信息，取得了较好的检测效果，并可作为全流程航空三角测量的重要工具。

    Mar, 2023

  • 自动驾驶的实时联合目标检测和语义分割网络

    本论文提出了一种联合多任务网络设计，用于同时学习目标检测和语义分割，以实现低功耗嵌入式 SOC 上的实时性能，并在两个公共数据集（KITTI，Cityscapes）和私人鱼眼相机数据集中评估提出的网络。

    Jan, 2019

  • You Only Look Once: 统一、实时目标检测

    YOLO 是一种新的目标检测方法，使用单个神经网络从完整图像中直接预测边界框和类别概率，具有实时处理速度、误检低和物体的通用表示等优势。

    Jun, 2015

  • 目标检测的点链接网络

    使用深度卷积神经网络实现了基于点和连接线的物体包围框表示方法 Point Linking Network（PLN），相比现有算法更具鲁棒性，可以应对物体遮挡、比例和长宽比等变化，且在多个基准测试数据集上均取得了最先进的单模型、单尺度检测结果。

    Jun, 2017

  • YOLO3D: 来自 LiDAR 点云的端到端实时 3D 方向物体边界框检测

    本文介绍一种基于 YOLO v2 算法与 3D 点云技术相结合的方法，能够在自动驾驶中快速、准确地识别 3D 物体边界框，实现了 40 帧每秒的实时性能。

    Aug, 2018