Mar, 2024

通过时空虚拟网格进行细粒度柱特征编码的 3D 物体检测

PDF
TL;DR为了成功商业化自动驾驶汽车，开发基于 LiDAR 的高性能实时架构对于至关重要。本文介绍了一种名为 FG-PFE 的新型 pillar 编码架构，它利用 STV 网格来捕捉每个 pillar 内 LiDAR 点云的细粒度分布。通过 STV 网格，每个 pillar 内的点云分别使用垂直、时间和水平维度进行编码，并通过 Attentive Pillar Aggregation 方法进行聚合。实验结果表明，FG-PFE 相较于基线模型如 PointPillar，CenterPoint-Pillar 和 PillarNet，在计算开销仅略微增加的情况下取得了显著的性能改进。
发现论文，激发创造
  • PillarHist：一种基于高度感知直方图的量化感知柱特征编码器

    实时高性能的三维物体检测在自动驾驶和机器人领域起着关键作用，本文提出了一种名为 PillarHist 的高度感知柱状特征编码器，通过对不同高度内的点的离散分布进行统计，显著提高了信息保存和计算效率的能力，并且对于 PFE 输入的算术分布进行了约束，使之有利于量化，实验证明了 PillarHist 在效率和性能方面的有效性。

    May, 2024

  • VPFusion：面向三维物体检测的稳健垂直表示学习

    本文提出了一种名为 VPFusion 的垂直多尺度表示学习框架，它将来自体素和柱状流的互补信息相结合，有效提高了点云表示的精度，实验结果表明 VPFusion 超越了基线，实现了实时推理速度。

    Apr, 2023

  • PillarNeXt：通过引入 Voxel2Pillar 特征编码和提取多尺度特征改进 3D 检测器

    提出的 PillarNeXt 方案利用多线 LiDAR 和基于点云的三维探测器，在自动驾驶中提取多尺度特征，并通过特征编码、骨干网络和网络结构改进来优化性能。

    May, 2024

  • PointPillars: 基于点云的目标检测快速编码器

    本篇论文介绍了一种新型编码器 PointPillars，该编码器可以将点云转为适合下游检测通道的格式，可应用于众多机器人应用中的物体检测，证明其在速度和准确性上都优于现有编码器，可优化无人驾驶等应用领域。

    Dec, 2018

  • PillarNet: 基于柱状物的实时高性能三维物体检测

    本文针对自动驾驶中实时、高性能三维物体检测的问题，提出了基于支柱的检测器 PillarNet。与现有的点云和三维卷积方法不同，PillarNet 仅使用 2D 卷积且具有高效灵活等特点，经过大规模数据集测试表明比现有方法有更好的效果和性能。

    May, 2022

  • PillarTrack: 基于柱的 Transformer 网络在点云上的单目标追踪重设计

    我们提出了一种基于 pillar 的 3D 单物体跟踪框架 PillarTrack，通过将稀疏的点云转化为稠密的 pillar 来保留本地和全局几何特征，并引入了一种金字塔型编码 pillar 特征编码器（PE-PFE）设计以提高每个 pillar 的特征表示，并从模态差异的角度介绍了一种高效的基于 Transformer 的骨干网络。通过在 KITTI 和 nuScenes 数据集上进行广泛实验，我们的方法表现卓越，并实现了实时跟踪速度。我们希望我们的工作能够鼓励社区重新思考现有的 3D 单物体跟踪器设计。

    Apr, 2024

  • PillarGen: 基于柱体的点生成网络增强雷达点云密度与质量

    我们提出了一种新颖的点云生成模型，称为 Pillar-based Point Generation Network (PillarGen)，它可以将一个域中的点云转换为另一个域中的点云，并生成密度和质量增强的合成点云。该模型通过三个步骤进行：pillar 编码、被占用 pillar 预测和 pillar 到点生成。我们利用自有的雷达数据集评估了 PillarGen 的性能，在短程雷达数据中利用长程雷达数据作为监督实现了密度和质量的提升。实验证明，PillarGen 在定量和定性指标上优于传统的点云上采样方法。我们还证实，将 PillarGen 应用于鸟瞰目标检测可以显著提高检测准确性。

    Mar, 2024

  • PillarAcc：边缘设备上用于实时点云 3D 物体检测的稀疏 PointPillars 加速器

    本研究提出了一种具有开创性的算法硬件协同设计，利用 PointPillars 编码的稀疏性加速 3D 目标检测网络的处理，达到了极高的节能与速度。

    May, 2023

  • 基于 LiDAR 的在线三维视频物体检测：图形消息传递和时空转换关注

    本文提出了一个端到端的在线三维视频物体检测器，该模型由空间特征编码组件和时空特征聚合组件组成。在空间特征编码组件中，提出了一种新的 Pillar Message Passing Network（PMPNet）模型，用于对离散点云帧进行编码。在时空特征聚合组件中，提出了一种注意力时空变换门控循环神经网络（AST-GRU），它通过注意力机制强调了前景物体并对动态物体进行了对齐。实验结果表明，该模型在大规模 nuScenes 基准测试中实现了最先进的性能。

    Apr, 2020

  • 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