CVPRMar, 2024

SeaBird: 基于 Dice 损失的鸟瞰分割方法改善大物体的单目三维检测

PDF
TL;DR该研究论文研究了单目 3D 检测器在较大物体上的泛化问题，发现深度回归损失对更大物体的噪声敏感性导致性能下降。通过理论分析，提出了一种名为 SeaBird 的方法，结合了 BEV 分割和 dice 损失，实现了较大物体的泛化和 SoTA 结果。
发现论文，激发创造
  • BirdNet+: LiDAR 鸟瞰图中端对端 3D 物体检测

    本文提出了一种全端到端的三维物体检测框架，可以仅使用 Bird's Eye View 图像自动推断取向的三维包围盒，并且该方法在 KITTI 三维物体检测基准中超出了现有方法的性能并获得了最佳结果。

    Mar, 2020

  • 自主驾驶中基于鸟瞰图表示的 3D 物体检测鲁棒性研究

    本文评估了多种具有代表性的模型在各种情况下的自然和对抗鲁棒性，以全面了解它们如何受到包含和不包含 Bird's-Eye-View 特征的影响，重点关注自主驾驶安全问题，发现了一些警示性的结论。

    Mar, 2023

  • BEVDet：高性能多摄像头鸟瞰视角三维物体检测

    本文介绍了一种名为 BEVDet 的算法，它能够基于 Bird-Eye-View 拍摄的视频进行 3D 目标检测，通过利用数据增强策略和升级最大值抑制策略来提高性能，同时在精度和时间效率之间实现出色的平衡。

    Dec, 2021

  • DaF-BEVSeg: 镜头畸变感知的鱼眼摄像机鸟瞰图分割与遮挡推理

    通过创建综合道路类型、天气和光照条件的合成数据集，并使用具有失真感知学习的鱼眼摄像机，将基于 BEV 的语义分割通用化，进一步引入遮挡推理模块，以提高 BEV 空间的性能。

    Apr, 2024

  • 基于全景分割引导的 LiDAR 多视角三维物体检测通用框架

    本研究提出了一种利用分割信息指导检测过程的多任务框架，该框架联合执行三维物体检测和全景分割，可利用多视角信息解决每个投影视图的缺陷，并通过前景语义信息和中心密度热力图来提示物体的可能框中心位置。在 nuScenes 数据集上进行的大量实验表明，该方法提供了显著的性能提升，基于单级 CenterPoint 3D 物体检测网络的所提出方法在 nuScenes 3D 检测基准上取得了 67.3 NDS 的最新性能。

    Mar, 2022

  • 使用几何和语义点云进行鸟瞰图语义分割

    本文介绍了使用车载摄像头拍摄的 RGB 图像进行鸟瞰视角像素级别的物体语义分割的方法，为了解决这个问题，提出了一种新的两阶段感知管道，它明确预测像素深度，并将它们与像素语义结合起来进行有效的推断，同时，使用抽象的高层几何特征进行转移学习，方法能够提高 24% 的 mIoU。

    Jun, 2020

  • 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

  • 3D-BEVIS: 鸟瞰视角实例分割

    本文介绍了一种基于点云的深度学习框架 3D-BEVIS，旨在对 3D 场景进行语义实例分割，通过将局部点几何和中间俯视图表示的全局环境信息相结合，以聚类的方式学习特征嵌入并将其分组成语义实例。

    Apr, 2019

  • 软骰子进行嘈杂图像分割

    本文研究医学图像分割中最受欢迎的损失函数之一：Soft-Dice loss，专注于在目标标签中存在噪声的情况下提供最优解决方案，通过阈值处理将软分割转换为硬分割可最大化 Dice 系数，实验结果证实理论结果。

    Apr, 2023

  • 从 3D 到鸟瞰图的知识蒸馏用于 LiDAR 语义分割

    该研究提出了一种有效的三维（3D）到 Bird's-Eye-View（BEV）知识蒸馏方法，将丰富的知识从基于 Voxel 的模型传递到基于 BEV 的模型，该方法应用于自动驾驶领域的 LiDAR 点云分割任务中，明显提高了准确性，SemanticKITTI 数据集是该研究的实验验证平台。

    Apr, 2023