通过投票步骤扩散从点云中进行的 3D 物体检测
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
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
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
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
本文提出了一种基于数据驱动的方法,使用关键点检测和 Hough 投票网络,实现了从单个 RGBD 图像稳健地估算 6DoF 物体姿态,并在多个基准测试中表现出色。
Nov, 2019
该研究提出了一种名为 BRNet 的新型三维物体检测方法,采用自底向上和自上而下的策略,通过回溯策略捕捉原始点云中潜在对象周围的细微局部结构特征,从而实现更可靠和灵活的对象定位和分类预测结果。
Apr, 2021
本文提出了一种有效而健壮的方法,利用 Hough 投票在 6D 转换参数空间中实现三维扫描点云的成对配准,该方法通过提取几何特征从点云对中计算出假设的对应关系,并考虑空间中的变换参数来构建成对间的对应关系,从而最终获得了自适应的变换参数。
Sep, 2021
本文探讨了利用深度学习在 3D 物体检测中,针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度,以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估,相比现有技术取得了显著的大幅度升级,并具有实时性能。
Nov, 2017
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。
Jan, 2024
该研究提出了一种针对局部 3D 点云的通用模型,该模型引入了本地点集投票策略,能够解决现有算法在应用于不完整点云时表现不佳的问题,并在形状分类、部分分割和点云补全方面取得了最先进的性能。
Jul, 2020