Mar, 2024

VRSO：用于静态物体标注的视觉中心重建

PDF
TL;DR该论文介绍了 VRSO，一种用于静态物体注释的基于视觉的方法，它使用相机图像作为输入，可以在 3D 空间中恢复静态物体，并基于自动重建和注释流程生成用于静态对象检测任务的 GT，其平均重投影误差仅为 2.6 像素，约为 Waymo 标注的四分之一（10.6 像素）。
static object detection3d spacedeep neural networksmanual labelingvrso
发现论文，激发创造
  • 道路边缘单元的高效标签三维物体检测

    通过无监督目标发现来解决数据密集型的自动驾驶安全应用中的遮挡问题，通过深度信息融合与智能路侧单元（RSU）的协同感知来提升自主车辆的感知能力，从而最大程度上减少遮挡的影响，并通过在少量标注数据上微调方法展示其优于或甚至超越完全监督模型的性能差距缩小的能力。

    Apr, 2024

  • SalientDSO: 引入注意力机制的直接稀疏里程计

    本文介绍了一种在直接稀疏视觉里结合使用视觉显著性和场景分析新方法，命名为 SalientDSO，并通过 CVL-UMD 数据集进行了定量和定性比较，超越了 DSO 和 ORB-SLAM 这两种最先进的方法。这是首次使用视觉显著性和场景分析来驱动直接 VO 的特征选择。

    Feb, 2018

  • 使用单点监督学习遥感目标检测

    本文提出针对遥感领域中单点监督的 PSOD 方法，并采用点标签升级器和稀疏特征引导语义预测模块等技术解决了密集和动态尺度遥感图像中 PSOD 方法的挑战， 在 DOTA 数据集上取得了显著优于现有方法的性能，与基于图像和点级别监督的检测方法相比，缩小了 PSOD 和 BBox 级别监督目标检测之间的性能差距。

    May, 2023

  • LISO：纯激光雷达无监督三维物体检测

    自动驾驶堆栈中，3D 物体检测是最重要的组成部分之一，但当前最先进的激光雷达物体检测器需要昂贵而缓慢的人工注释才能取得良好性能。我们引入了一种自我监督方法来训练 SOTA 激光雷达物体检测网络，该方法仅基于未标记的激光点云序列工作，我们称之为轨迹规范化自我训练。我们演示了我们的方法对于多个 SOTA 物体检测网络在多个真实世界数据集上的有效性。

    Mar, 2024

  • 单帧空间图像自动 RSo 条纹检测的模拟增强基准测试框架

    为了解决巨大的数据缺口和评估方法的挑战，本研究提出了一种模拟增强基准评估框架，以有效地训练和评估深度卷积神经网络探测器对居民空间物体的探测，其中模拟数据和图像分辨率的量是评估探测方法的高准确性和有效性的两个关键因素。

    Apr, 2023

  • 点指上行视频目标分割

    提出了一种基于稀疏点注释方案的新型 Point-VOS 任务和标注机制，通过基于伪掩码的训练可以使现有的 VOS 方法在性能上接近全监督的表现，并且该数据可用于改进视觉和语言相关的模型。

    Feb, 2024

  • SOGDet：语义占据引导的多视角三维物体检测

    在自动驾驶领域，准确和全面地感知三维环境至关重要。本文提出了一种名为 SOGDet 的新方法，它利用三维语义占用分支来改善三维物体检测的准确性，通过综合视角建模物理上下文，实现了对三维环境的更全面感知。实验证明，SOGDet 提高了三种基线方法在 nuScenes 数据集上的性能，从而有助于构建更强大的自动驾驶系统。

    Aug, 2023

  • VSRD：基于实例感知的体素轮廓渲染用于弱监督的 3D 物体检测

    我们提出了一种新的弱监督三维物体检测框架 VSRD，利用自动标注阶段生成的伪标签在多视图三维自动标注和单目三维物体检测训练中优化三维边界框，实验表明我们的方法优于现有弱监督三维物体检测方法。

    Mar, 2024

  • VDO-SLAM: 一种视觉动态物体感知 SLAM 系统

    VDO-SLAM 是一种稳健的视觉动态物体感知 SLAM 系统，利用语义信息实现对本体运动的准确估计和跟踪，能够精确估计机器人轨迹、物体的 SE（3）运动和空间时序地图。

    May, 2020

  • SOOD++：利用无标签数据提升有向物体检测

    通过使用无标签数据提升目标检测器的半监督方法，我们提出了一种简单而有效的半监督定向目标检测方法 SOOD++，该方法在多方向对象和航拍图像方面获得了较好的结果。

    Jul, 2024