Sep, 2024

UniDet3D：多数据集室内三维物体检测

HTML
PDF
TL;DR这项研究解决了现有室内数据集规模小且多样性不足的问题，从而影响三维物体检测模型的训练。通过统一不同的标签空间，提出了一种简单而有效的三维物体检测模型UniDet3D，该模型在多种室内环境中表现出色。实验结果表明，UniDet3D在六个室内基准测试中显著超过了现有的方法，显示出其广泛的应用潜力。
发现论文，激发创造
  • Objectron：一个对野外物体为中心的大规模视频数据集，带有姿态标注

    介绍了Objectron数据集，旨在推进3D物体检测等新兴研究领域的发展，数据集中有九个类别的注释短视频，包含了1400万个注释图像和14819个注释视频。同时，提出了一种新的评估指标，3D Intersection over Union，证明了数据集在推进3D物体检测任务方面的有用性。提供了在该数据集上训练的基准模型。

    Dec, 2020

  • 使用通道式Transformer提高3D目标检测

    本文中，我们提出了一种改进的两阶段3D目标检测框架CT3D，其中利用高质量的区域提议网络和基于通道的Transformer架构来同时执行提议感知嵌入和通道方式的上下文聚合，以获取更准确的目标预测，具有优秀的性能和可伸缩性，尤其是在KITTI测试3D检测基准中，众车类别的AP为81.77％，优于现有最先进的3D检测器。

    Aug, 2021

  • Omni3D：野外3D物体检测的大规模基准和模型

    提出了一个名为Omni3D的大型测试数据集，其中包含234k个图像，涵盖了98个类别和300万个实例。引入了Cube R-CNN模型，能够更好地检测和识别3D场景和物体。该数据集可用于加速对新数据集的学习和预训练。

    Jul, 2022

  • Uni3D: 多数据集三维物体检测的统一基线

    该论文研究了如何训练一个来自多个数据集的统一 3D 检测器，提出了一种名为 Uni3D 的方法来解决数据级别和分类学级别的差异，证明了该方法的有效性并对进一步的 3D 泛化研究具有启发意义。

    Mar, 2023

  • NeRF-Det：学习几何感知的多视角三维物体检测体积表示

    NeRF-Det是一种新颖的室内3D检测方法，利用RGB图像作为输入，并通过使用NeRF来明确估计3D几何，从而提高3D检测性能，并通过共享MLP巧妙地将检测分支与NeRF分支相连接，使NeRF在检测中高效适应，并为3D检测提供了具有几何感知的体积表示。

    Jul, 2023

  • MDT3D: 多数据集训练用于LiDAR 3D物体检测泛化

    通过使用多个标注源数据集，并结合基于粗标签的标签映射以及跨数据集对象注入的数据增强方法，提高了在不同环境中、由不同传感器配置采集的数据上测试时三维物体检测模型的鲁棒性。

    Aug, 2023

  • Anyview: 可变帧室内三维物体检测的普适性方法

    本文提出了一个用于室内3D物体检测的新型网络框架，能够处理实际场景中可变帧数的输入数据，并通过几何学习器、局部-全局特征交互和动态标记策略来增强模型的泛化性能。实验证明，该方法在ScanNet数据集上同时实现了良好的泛化能力和高检测准确度。

    Oct, 2023

  • Uni3DETR: 统一的三维检测Transformer

    我们提出了Uni3DETR，一个统一的3D检测器，他可以有效应对室内和室外3D检测的差异，并展现了在异构条件下的强大泛化能力。

    Oct, 2023

  • SPGroup3D：室内3D物体检测的Superpoint分组网络

    提出了一种用于室内场景的新型超点分组网络，通过对原始点云进行超点划分，利用几何感知的投票模块调整超点和物体中心之间的空间关系，采用超点注意力层和超点-体素融合层来探索提案内的一致性表示，利用超点来基于动态感受野进行有效的多次匹配，实现室内一阶段3D物体检测的最新性能。

    Dec, 2023

  • 室内3D物体检测的Syn-to-Real无监督领域自适应

    本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在Synthetic数据集3D-FRONT到真实数据集ScanNetV2和SUN RGB-D上分别取得了分别为9.7％和9.1％的mAP25改进。

    Jun, 2024