Stereo R-CNN 三维目标检测

最新推荐文章于 2023-12-06 11:30:40 发布
最新推荐文章于 2023-12-06 11:30:40 发布
阅读量1k 收藏 3
点赞数
文章标签： 计算机视觉 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_27339501/article/details/106550550
版权

Stereo R-CNN based 3D Object Detection for Autonomous Driving

文章目录

本文思想

通过充分利用立体图像中的稀疏、密集、语义和几何信息，提出了一种用于自动驾驶的称为立体声R-CNN的三维物体检测方法。它扩展了立体输入的快速R-CNN，以同时检测和关联左右图像中的对象。
在立体区域提议网络（RPN）之后添加额外的分支来预测稀疏的关键点、视点和对象尺寸，并结合二维左右框来计算粗略的三维对象边界框。然后，我们使用左右获取的ROI，通过基于区域的光度学对齐来恢复精确的3D边界框。
此方法不需要深度输入和三维位置监控，但是优于现有的所有基于全监控图像的方法。在具有挑战性的KITTI数据集上的实验表明，此方法在3D检测和3D定位任务上都比目前最先进的基于立体的方法有大约30%的AP。

贡献

（1）一种立体R-CNN方法，它同时检测和关联立体图像中的目标。
（2）一种利用关键点和立体盒约束的三维盒估计器。
（3）一种基于密集区域的光度学对准方法，可确保我们的三维物体定位精度。
（4）对KITTI数据集的评估表明，我们的性能优于所有最先进的基于图像的方法，甚至可以与基于激光雷达的方法相比。

网络架构图

在这里插入图片描述
使用所提出的立体R-CNN同时检测和关联左、右图像中的目标，使用权重共享ResNet-101和FPN作为骨干网络来提取左右图像的

最低0.47元/天 解锁文章
高榤497
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
探索Stereo R-CNN：深度学习中的立体视觉与目标检测新星
gitblog_00093的博客
04-13 326
探索Stereo R-CNN：深度学习中的立体视觉与目标检测新星 项目地址:https://gitcode.com/HKUST-Aerial-Robotics/Stereo-RCNN 项目简介 如果你对计算机视觉和自动驾驶领域有所了解，那么你一定知道目标检测和立体视觉是其中的关键技术。Stereo R-CNN是由香港科技大学Aerial Robotics团队开发的一个开源项目，它将这两者巧妙地结...
3D-RCNN: Instance-level 3D Object Reconstruction via Render-and-Compare
07-04
We present a fast inverse-graphics framework for instance-level 3D scene understanding. We train a deep convolutional network that learns to map image regions to the full 3D shape and pose of all object instances in the image. Our method produces a compact 3D representation of the scene, which can be readily used for applications like autonomous driving. Many traditional 2D vision outputs, like instance segmentations and depth-maps, can be obtained by simply rendering our output 3D scene model. We exploit class-specific shape priors by learning a low dimensional shape-space from collections of CAD models. We present novel representations of shape and pose, that strive towards better 3D equivariance and generalization. In order to exploit rich supervisory signals in the form of 2D annotations like segmentation, we propose a differentiable Render-and-Compare loss that allows 3D shape and pose to be learned with 2D supervision. We evaluate our method on the challenging real-world datasets of Pascal3D+ and KITTI, where we achieve state-of-the-art results.
基于双目视觉的三维车辆检测算法
01-25
立体区域卷积神经网络(Stereo R-CNN)算法具有准确、高效的特点,在一定场景下的检测性能较好,但对于远景目标的检测仍有一定的提升空间。为了提升双目视觉算法的车辆检测精度,提出一种改进的Stereo R-CNN算法。该算法将确定性网络(DetNet)作为骨干网络,以增强网络对远景目标的检测;针对左右目视图的潜在关键点,建立了左右视图关键点一致性损失函数,以提高选取潜在关键点的位置精度,进而提高车辆的检测准确性。在KITTI数据集上的实验结果表明,本算法的性能优于Stereo R-CNN,在二维、三维检测任务上的平均精度提升了1%~3%。
Stereo R-CNN based 3D Object Detection for Autonomous Driving翻译—基于立体声R-CNN的自主驾驶三维目标检测
weixin_41891078的博客
03-07 2390
基于立体声R-CNN的自主驾驶三维目标检测 论文原文：https://arxiv.org/abs/1902.09738 摘要 提出了一种充分利用立体图像中稀疏、密集、语义和几何信息的自动驾驶三维目标检测方法。我们的方法，称为立体声R-CNN，扩展了更快的R-CNN的立体声输入，以同时检测和关联对象在左图像和右图像。我们在立体区域建议网络（RPN）之后添加额外的分支来预测稀疏的关键点、视点和对象...
CVPR 19系列3 | Stereo R-CNN 3D 目标检测
gzq0723的博客
07-13 672
摘要之前在3D检测方面的文章层出不穷，也是各个公司无人驾驶或者机器人学部门关注的重点，包含了点云，点云图像融合，以及单目3D检测，但是在双目视觉方面的贡献还是比较少，自从...
基于立体R-CNN的自动驾驶三维目标检测
wouderw的博客
10-24 305
摘要 本文充分利用立体图像中的稀疏、密集、语义和几何信息，提出了一种用于自动驾驶的三维目标检测方法。我们的方法，称为 Stereo R-CNN，扩展了 Faster R-CNN 用于立体输入，以同时检测和关联左右图像中的目标。我们在立体区域建议网络(RPN)之后增加额外的分支来预测稀疏的关键点、视点和对象尺寸，并结合左右图像中的2D边界框来计算粗略的3D目标边界框。然后，我们通过使用左右感兴趣区域的基于区域的光度对齐来恢复准确的3D边界框。我们的方法不需要深度depth输入和3D位置监督，但是，它的性能优于
Stereo R-CNN based 3D Object Detection for Autonomous Driving
weixin_36670529的博客
09-12 1696
目录 摘要 1、简介 2、相关工作 2.1、基于LiDAR的目标检测 2.2、基于单目三维目标检测 2.3、基于立体的三维目标检测 3、立体R-CNN网络 3.1、立体RPN 3.2、立体 R-CNN 4、3D框估计 5、密集3D框队列 6、实现细节 7、实验 8、结论和进一步工作 摘要 提出了一种充分利用立体图像中稀疏、密集、语义和几何信息的自主驾驶三维目标检测方...
Stereo R-CNN based 3D Object Detection for Autonomous Driving 论文学习
calvinpaean的博客
07-01 1253
Feature Selective Anchor-Free Module for Single-Shot Object Detection AbstractIntroductionRelated Work基于激光雷达的3D目标检测基于单目的3D目标检测基于双目的3D目标检测 Abstract 我们针对自动驾驶提出了一个3D目标检测方法，在双目图像中充分地利用稀疏信息和密集信息，语义信息和几何信息。...
文献解读-CVPR2019-Stereo R-CNN based 3D Object Detection for Autonomous Driving
Justdiit的博客
11-03 573
公众号 第一部分： 今天要介绍的论文是一篇2019年发表于CVPR的论文，题目是：《Stereo R-CNN based 3D Object Detection for Autonomous Driving》，作者为：大疆创新的李培良，陈晓之和香港科技大学的沉少杰。原本链接为：https://arxiv.org/abs/1902.09738，它讲述的一种基于双目R-CNN的自动导航3D目标检测方案。 第二部分： 本作者提出：一种基于立体视觉的3D物体检测方法。与单目相机相比，双目立体相机通过左右光度校准可以
【Stereo R-CNN 解读】基于立体R-CNN的自动驾驶三维目标检测
不积跬步，无以至千里！
11-06 3013
本文充分利用立体图像中的稀疏、密集、语义和几何信息，提出了一种用于自动驾驶的三维目标检测方法。我们的方法，称为 Stereo R-CNN，扩展了 Faster R-CNN 用于立体输入，以同时检测和关联左右图像中的目标。我们在立体区域建议网络(RPN)之后增加额外的分支来预测稀疏的关键点、视点和对象尺寸，并结合左右图像中的2D边界框来计算粗略的3D目标边界框。然后，我们通过使用左右感兴趣区域的基于区域的光度对齐来恢复准确的3D边界框。我们的方法不需要深度depth输入和3D位置监督，但是，它的性能优.
基于 Stereo R-CNN 的自动驾驶 3D 目标检测
学习记录
12-06 1833
论文笔记：《Stereo R-CNN based 3D Object Detection for Autonomous Driving》
SLAM-使用Python实现的SLAM算法之Stereo-PTAM-点云三维建图-优质项目实战.zip
最新发布
03-15
SLAM_使用Python实现的SLAM算法之Stereo-PTAM_点云三维建图_优质项目实战
Python-基于立体声RCNN的自动驾驶三维物体检测
08-11
Code for 'Stereo R-CNN based 3D Object Detection for Autonomous Driving' (CVPR 2019)
stereo-vision.rar_Vision_Vision标定_stereo_标定 三维重建_标定 匹配 重建
07-15
stereo vision,对立体视觉上立体标定，矫正，匹配，三维重建进行了总结和分析，相信对大家会有很大帮助
Stereo-Odometry-SOFT：使用SOFT算法的MATLAB视觉测距法实现
02-04
Stereo-Odometry-SOFT：使用SOFT算法的MATLAB视觉测距法实现
Stereo R-CNN中的3D Box Estimation和Dense 3D Box Alignment模块
weixin_45440069的博客
04-27 380
Stereo R-CNN中的3D Box Estimation和Dense 3D Box Alignment模块 #Stereo R-CNN概述
Stereo R-CNN解读
Tc、zyh的博客
06-05 696
Stereo R-CNN Stereo R-CNN based 3D Object Detection for Autonomous Driving 26 May 2019: Pytorch 1.0.0 and Python 3.6 are supported now. Please checkout to branch 1.0! 现在支持Pytorch 1.0.0和Python 3.6。请结帐到 This project contains the implementation of our CVPR 20
论文阅读CVPR2019——Stereo R-CNN based 3D Object Detection for Autonomous Driving
hitzijiyingcai的博客
03-13 8726
这是一篇来自DJI与港科大合作的文章，作者分别是li peiliang，陈晓智@陈晓智(DJI，MV3D的作者)和港科大的shenshaojie老师。 论文链接：https://arxiv.org/pdf/1902.09738.pdf 摘要 这篇文章通过充分利用立体图像中的稀疏，密集，语义和几何信息，提出了一种用于自动驾驶的称为立体声R-CNN的三维物体检测方法。扩展了Fa...
大疆、港科大联手！双目3D目标检测实验效果大放送 | CVPR 2019
AI科技大本营
03-11 6427
作者 |heryms 责编 | Jane 程序员转行学什么语言？ https://edu.csdn.net/topic/ai30?utm_source=csdn_bw CVPR 2019的文章出来了，今天聊聊双目的 3D object detection。这是一篇来自 DJI （大疆）与港科大合作的文章《Stereo R-CNN based 3D Object Det...
Stereo R-CNN based 3D Object Detection for Autonomous Driving的优势与缺点、
02-18
优势：Stereo R-CNN可以提供更准确和细致的3D目标检测，特别是在自动驾驶环境中，可以更好地探测和定位障碍物。缺点：Stereo R-CNN需要计算量较大，而且它的训练过程十分复杂，模型也需要更多的训练数据。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值