May, 2024

GraphRelate3D：上下文相关的基于关系图的三维物体检测

PDF
TL;DR通过引入对象关系模块和图神经网络（GNN），从周围建议中提取空间信息并改进 3D 对象检测，该方法在 KITTI 数据集上相较基准方法 PV-RCNN 在简单、中等和困难难度级别的汽车类上分别提升了 0.82%、0.74% 和 0.58%，在中等和困难难度级别的 BEV AP 上优于基准方法超过 1%。
3d object detectionautonomous vehiclesobject relation modulegraph neural networkkitti dataset
发现论文，激发创造
  • 基于关系图网络的点云三维物体检测

    本文提出了一种基于卷积神经网络的关系图网络模型，该模型利用方向特征、语义特征和空间坐标，结合盒子候选回归和点注意池化，探索关系图对于提高候选物体外观特征的影响，最终成功实现了在点云中检测三维物体的任务。

    Nov, 2019

  • 基于语义装饰局部图的精确三维目标检测的 Graph R-CNN

    本文提出了一种名为 Graph R-CNN 的二阶段三维目标检测器，它使用动态点聚合、RoI-graph 池化和视觉特征增强等方法，解决了现有二阶段三维目标检测器处理不均匀分布和稀疏室外点时的效率问题，并在 KITTI 和 Waymo Open Dataset 上大幅优于现有模型。

    Aug, 2022

  • 上下文依赖扩散网络用于视觉关系检测

    本文提出了一种基于语义图和视觉场景图构建的上下文相关扩散网络 (CDDN) 框架，用于解决对象之间的关系识别问题。对两个广泛使用的数据集进行的实验表明，所提出的方法更有效，达到了最先进的性能。

    Sep, 2018

  • 关系网络用于物体检测

    本研究提出一种基于对象关系模块的深度学习模型，可以同时处理对象之间的外观特征和几何关系，从而提高了对象识别和重复去除步骤，在 CNN-based detection 中显著地有效，且无需额外 supervision，是第一个完全端到端的物体检测器。

    Nov, 2017

  • 图像场景图生成的图卷积神经网络

    提出了一种新颖的场景图生成模型 ——Graph R-CNN，其在检测图像中的对象和它们之间的关系方面既有效又高效。该模型包含一种关系提议网络（RePN），能够有效地处理图像中潜在关系的二次数量。同时，我们提出了一种注意力图卷积网络（aGCN），有效地捕捉对象和关系之间的上下文信息。最后，我们引入了一种比现有指标更全面、更实际的评估方法。我们使用现有指标和我们提出的评估方法评估场景图生成，获得了最先进的性能。

    Aug, 2018

  • 关注关系网络：将图像映射到场景图

    本研究提出了一种新颖的基于注意力机制的关系网络，其包含两个关键模块和一个目标检测主干以实现场景图自动生成，并在 Visual Genome 数据集上进行了实验验证其有效性和优越性。

    Nov, 2018

  • PC-RGNN: 三维物体检测的点云补全与图形神经网络

    本研究提出一种新的两阶段方法，其中包括点云完成模块以恢复高质量的点密集提案和整个视图，同时设计了图神经网络模块，实现了全局本地关联机制和多尺度图形的上下文聚合，显著强化编码特征，实验表明，所提出的方法在 KITTI 基准测试中优于之前的基线算法，突出了其有效性。

    Dec, 2020

  • Ret3D: 重新思考物体关系实现驾驶场景中高效的 3D 物体检测

    Ret3D 是一个简单和有效的两阶段检测器，核心是利用新型的内帧和间帧关系模块来捕捉空间和时间关系。通过在通用基于中心或基于锚点的检测器上实例化我们的新设计，我们可以在 Waymo 开放数据集上获得最先进的性能。

    Aug, 2022

  • 基于关系的交通场景图的运动预测

    通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

    Nov, 2022

  • 基于解释的弱监督学习在视觉关系中的应用：图网络

    该论文提出了一种新型的弱监督方法，使用最少的图像级谓词标签，利用图神经网络从检测到的对象的图形表示中对图像中的谓词进行分类，将关系检测作为谓词分类器的解释，并在三个不同且具有挑战性的数据集上展示结果，表明该方法具有对不全面注释的强健性和良好的少样本泛化能力。

    Jun, 2020