Mar, 2024

通过点辅助样本选择提升基于锚点的 LiDAR 3D 物体检测

PDF
TL;DR基于 LiDAR 点云和先验锚点的 3D 物体检测是自动驾驶环境感知和理解的关键技术，然而现有方法中存在的一个被忽视的实际问题是基于盒子交并比（IoU_box）的训练样本分配中的歧义，这个问题阻碍了锚点为基础的 LiDAR 3D 物体检测器性能的进一步提升。为了解决这个挑战，本文引入了一种名为点辅助样本选择（PASS）的新的训练样本选择方法，该方法利用点云分布来衡量锚点样本的质量。该方法在两个广泛使用的数据集上经过了严格的评估，实验结果表明 PASS 的应用将锚点为基础的 LiDAR 3D 物体检测器的平均精度提升到了新的最新水平，从而证明了所提出方法的有效性。代码将在该 URL 中提供。
3d object detectionlidar point cloudprior anchor boxestraining sample allocationpoint assisted sample selection
发现论文，激发创造
  • 不是所有点都相同：学习针对 3D LiDAR 点云的高效点检测器

    本文提出了一种高效的基于点云的 3D 检测器 IA-SSD，利用可学习的面向任务的实例感知下采样策略分层选择感兴趣物体的前景点，进一步估计精确的实例中心，并采用仅编码器架构实现。大规模检测基准测试表明，该模型具有卓越的速度性能，能够以 80 个以上的速度在 KITTI 数据集上进行实时检测。

    Mar, 2022

  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023

  • 用于目标检测的 IoU 预测的概率锚点分配

    本文提出了一种新的锚点分配策略，通过模型的学习状态自适应地将锚点分成正样本和负样本，实现概率推理，并验证其有效性。该方法只在 RetinaNet 基线中添加了一个卷积层，并且不需要每个位置多个锚点，因此非常高效。

    Jul, 2020

  • 2DPASS：基于 2D 先验的 LiDAR 点云语义分割

    本论文提出了 2DPASS 方法，该方法利用 2D 图像重要的视觉外观，通过辅助 modal 融合和 multi-scale 融合，丰富了多模态数据的语义和结构信息，并将这些信息在纯 3D 网络上进行在线蒸馏。实验结果表明，2DPASS 可在仅由点云输入的情况下显著提高基线模型的性能，同时在大规模基准测试 SemanticKITTI 和 NuScenes 中均取得了最优结果。

    Jul, 2022

  • SSDA3D: 3D 点云物体检测的半监督领域适应

    提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。

    Dec, 2022

  • Waymo 开放数据集挑战赛 3D 检测和域自适应解决方案第一名

    介绍了一种无锚点、无 NMS 的 3D 点云目标检测器，使用对象关键点编码 3D 属性实现端到端检测，利用数据增强和点着色以及投影到相机空间和图像感知信息的附加属性来增强性能，并通过模型集成和 TTA 在 3D 检测和域自适应路线上实现了第一名。

    Jun, 2020

  • 任意方向目标检测的动态锚点学习

    提出了一种动态锚点学习方法（DAL），通过全新定义匹配度评估锚点的定位潜力，实现有效标签分配并动态选择高质量锚点以实现准确目标检测，结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。

    Dec, 2020

  • 从体素到点云：基于 IoU 引导的用于点云的三维物体检测的体素到点云解码器

    本研究提出了一种 IoU 引导的两阶段 3D 物体检测器，并结合采用 “残差体素到点云” 和 “ROI 对齐” 来提高检测精度，实验表明该方法在 KITTI 数据集上具有明显优势。

    Aug, 2021

  • 稀疏标注数据下的半监督目标检测

    使用基于单一物体跟踪和半监督学习的方法，对于 IoU 稀疏注释的目标检测，自动生成密集注释用于训练目标检测器，从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩（在不同测试集上）。

    Jun, 2020

  • 标签并不完美：推断目标检测中的空间不确定性

    依据生成模型从 LiDAR 点云中推断出边界框标签的不确定性，并通过空间不确定度分布定义了概率边界框的新表示，提出了一种新的评价指标 Jaccard IoU (JIoU)，并应用于几个基于 LiDAR 的目标检测器的深入比较中，并将提出的标签不确定性结合到损失函数中，以训练概率目标检测器并提高其检测精度。

    Dec, 2020