- 博客(8)
- 资源 (1)
- 收藏
- 关注
RSS订阅转载 VoxelNet：End-to-End Learning for Point Cloud Based 3D Object Detection
声明原文链接摘要为了将高度稀疏的LiDAR点云与区域提案网络（RPN）连接起来，大多数现有的工作都集中在手工制作的特征表示上，用于检查鸟瞰投影。本文消除了对3D点云进行手动特征工程的需求，并提出了VoxelNet，这是一种通用的3D检测网络，可将特征提取和边界框预测统一到一个单级，端到端可训练的深度网络中。VoxelNet将点云划分为等间距的3D体素，并通过新引入的体素特征编码（VFE）层将每个体素中的一组点转换为统一的特征表示。通过这种方式，点云被编码为描述性的体积表示，然后将其连接到RPN以生
2022-01-23 19:52:32
368
原创 Structure Aware single-stage 3D Object Detection from Point Cloud
声明摘要当前的单级检测器通过以完全卷积的方式逐步缩小3D点云的尺度是有效的。然而，缩小后的特征不可避免的丢失了空间信息，不能充分利用三维点云的结构信息，降低了其定位的精度。本文中，建议通过，明确利用三维点云的结构信息来提高单级检测器的定位精度。设计了一个辅助网络，将主干网络中的卷积特征转换回点级表示。辅助网络通过两个点级监督进行联合优化。辅助网络可以在训练后分离，因此在推理阶段不引入额外的计算。考虑到单级检测器存在预测边界框与相应分类置信度之间的不一致性，开发了一种有效的lpart-sensit
2022-01-14 11:06:44
451
原创 Offboard 3D Object Detection From Point Cloud Sequences
声明原文链接摘要虽然当前的3D对象识别研究主要集中在实时车载场景中，但许多非车载感知用例在很大程度上没有得到充分的探索，例如使用机器自动生成高质量的3D标签。由于有限的输入和速度限制，现在的三维物体探测器无法满足非车载使用的高质量要求。本文中，提出了一种新的非车载三维目标检测通道使用点云序列数据。观察到不同的帧捕获物体的互补视图，设计了非车载检测器，通过多帧对象检测和新的以物体为中心的细化模型来利用时间点。通过对Waymo开放数据集的评估展现出显著的优势。它的性能甚至等同于通过人类标签研究验证的人类标
2022-01-09 16:09:31
2157
1
原创 Graph_Neural_Network_and_Spatiotemporal_Transformer_Attention_for_3D_Video_Object_Detection
摘要之前基于LiDAR的3D目标检测工作主要聚焦于单帧范式。本文将多帧中的时间信息分为：短期模式和长期模式。编码短期数据Grid Message Passing Network（GMPNet）：把每个网格（即分组的点）看做是一个节点，并且，与邻居网格构建一个K-NN图，网格之间的关系作为边。为了更新一个网格的特征，GMPNet从它的邻居中迭代收集信息，从而从附近的帧中挖掘网格中的运动线索。长期帧中特征聚合Attentive Spatiotemporal Transformer GRU（AST-
2022-01-06 16:18:54
1728
原创 3D Object Detection From Point Cloud with Part-Aware And Part-Aggregation Network
说明：3D目标检测道路上的一个初学者，希望记录下学习的每一个过程，文章仅是自己对学习内容的总结。获取原文链接摘要本文将之前的工作--PointRCNN扩展到一个新颖而强大的基于点云的3D目标检测框架部分感知（part-aware）和聚合（aggregation）神经网络（Part-A2 Net）。整个框架由部件感知和部件聚合阶段组成。首先，部件感知阶段首次利用源自3D地面实况盒子的免费部件监督，以同时预测高质量的3D提案和准确的物体内部件位置。同一提案中预测的目标内部件的位置由我们新设计的RoI
2022-01-05 20:45:16
1899
原创 Point-cloud based 3D object detection and classification methods for self-driving applications
3D目标检测的初学者的总结
2022-01-05 16:39:43
1481
SQUID数据集以及Underwater_Stereo项目
2024-01-04
mmdetection3d
2022-10-01
TA创建的收藏夹 TA关注的收藏夹
TA关注的人