Mar, 2024

X 射线精简弱到强的三维物体检测

PDF
TL;DR提出了一种新颖的方法，通过使用 X 射线视觉模型引入 Object-Complete frames 来处理 LiDAR 在 3D 物体检测中的稀疏性和遮挡问题，并且应用于半监督和监督学习场景中，取得了优于现有方法 1-1.5 mAP 的性能提升。
lidar-based 3d object detectionsparsityocclusionx-ray distillationobject-complete frames
发现论文，激发创造
  • 多帧到单帧：用于三维物体检测的知识蒸馏

    本文提出了一种通过知识蒸馏实现基于点云进行三维物体检测的方法，该方法通过两阶段的训练流程，使得在测试时基于低质量数据的模型性能得到提升。

    Sep, 2020

  • LiDAR 蒸馏：弥合 3D 目标检测激光雷达束诱导的领域差距

    本文提出了 LiDAR 蒸馏来弥补由于 3D 物体检测中不同 LiDAR 光束引起的领域差异问题，并通过实验表明该方法有效。

    Mar, 2022

  • StereoDistill: 从 LiDAR 中精选要素，用于精炼基于立体视觉的三维物体检测

    本文提出了一种跨模态蒸馏方法 StereoDistill，通过在响应级别上从优秀的 LiDAR 模型中提取立体探测器，缩小了立体和基于 LiDAR 的方法之间的差距，其中的关键设计是：用于回归的 X 组件引导蒸馏（XGD）和用于分类的交叉锚定逻辑蒸馏（CLD）。

    Jan, 2023

  • 跨模态、任务和阶段的知识蒸馏：用于多摄像头三维物体检测的方法

    本文提出 X^3KD，一种基于多模态、多任务、多阶段的知识蒸馏框架，通过跨任务蒸馏、跨模态特征蒸馏、对抗训练以及跨模态输出蒸馏等方式，改进了基于多摄像头图像的 3D 物体检测模型性能，最终 X^3KD 模型在 nuScenes 和 Waymo 数据集上取得了最新的最佳性能表现，并且具有推广到基于雷达的 3D 物体检测的能力。

    Mar, 2023

  • MonoSKD：通过 Spearman 等级相关系数进行单目三维物体检测的通用蒸馏框架

    基于 Spearman 相关系数的单目 3D 检测的知识蒸馏框架 MonoSKD，在 KITTI 3D 目标检测基准测试上取得了最先进的性能，没有额外的推理计算成本。

    Oct, 2023

  • WeakM3D：面向弱监督的单目三维物体检测

    本文介绍了一种采用弱监督学习的单目三维目标检测方法，该方法利用生成的二维框选择对应的区域兴趣 LiDAR 点作为弱监督信号，并通过网络预测可以紧密对齐相应区域兴趣 LiDAR 点的三维框，从而消除了对三维框标注的依赖。

    Mar, 2022

  • RadarDistill：通过从激光雷达特征进行知识蒸馏，提升基于雷达的物体检测性能

    通过使用 LiDAR 数据，RadarDistill 提出了一种新的知识蒸馏（KD）方法，可以改善雷达数据的表示，成功地将 LiDAR 特征的理想特性转移到雷达特征中，从而实现了基于雷达的物体检测任务的最先进性能，并显著改进了相机 - 雷达融合模型的性能。

    Mar, 2024

  • 通过在点云上模拟多模态来增强三维物体检测

    该研究提出一种新的方法，通过教会单模（LiDAR）三维目标探测器模拟多模（LiDAR 图像）探测器的特征和响应来提高其效率，从而实现在推断时只需要 LiDAR 数据的目标识别，经过实验，这种方法在性能上优于所有 SOTA 的 LiDAR-only 3D 检测器，甚至超越了基线 LiDAR-image 检测器，填补了单模与多模检测器之间的 72％mAP 差距。

    Jun, 2022

  • MonoDistill: 学习单目三维物体检测的空间特征

    该研究提出了一种利用激光雷达信号将空间信息引入单目三维检测器的简单有效方案，实验结果显示该方法明显提升了基线模型的性能，并在 KITTI 基准测试中排名第一。

    Jan, 2022

  • LXL：激光雷达独占的 3D 物体检测，结合 4D 成像雷达和相机融合

    该论文探讨了基于 4D 成像雷达和摄像头的图像视图转换策略并提出一种 “雷达占用格辅助深度采样” 的方法，该方法在 VoD 和 TJ4DRadSet 数据集上的实验结果均表现出较高水平的 3D 物体检测性能。

    Jul, 2023