论文阅读：Offboard 3D Object Detection from Point Cloud Sequences

最新推荐文章于 2025-11-22 13:49:15 发布
原创 最新推荐文章于 2025-11-22 13:49:15 发布 · 2.2k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#论文阅读 #计算机视觉 #目标跟踪 #3d

论文提出一种基于点云序列的3DAutoLabeling方法，通过多帧检测和新模型提高离线3D物体检测精度，达到甚至超越人工标注的效果，适用于半监督学习。

目录

概要

Motivation

整体架构流程

技术细节

3D Auto Labeling Pipeline

The static object auto labeling model

The dynamic object auto labeling model

小结

论文地址：[2103.05073] Offboard 3D Object Detection from Point Cloud Sequences (arxiv.org)

概要

    该论文提出了一种利用点云序列数据进行离线三维物体检测的方法，称为3D Auto Labeling。相比现有的三维物体检测方法，该方法能够更好地满足离线场景下高质量的要求。该方法利用点云序列中不同帧所捕获的物体的互补视角信息，通过多帧物体检测和新颖的物体中心优化模型来利用时间点云。在Waymo公开数据集上的评估结果表明，该方法相比于现有的三维物体检测方法和离线基准有显著提升，甚至可以与人工标签的效果媲美。该方法还具有半监督学习和应用自动标签的能力。

    关键是使用点云序列数据来进行物体检测，并设计了一个新的离线物体检测管道，利用多帧物体检测和新的物体中心检测模型来提高检测准确性。同时，还利用了物体轨迹数据来对物体的运动状态进行分类，并引入了一个动态物体自动标注模型和一个静态物体自动标注模型来生成高质量的自动标注数据。这些自动标注数据可以用于半监督学习，以提高检测性能。

Motivation

  • 由于有限的输入和
最低0.47元/天 解锁文章
Offboard 3D Object Detection From Point Cloud Sequences
dydwl的博客
01-09 2402
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
3D目标检测论文方法汇总 【持续更新中~
家鸽的代码屋
05-31 8150
Automanous-3D-detection-methods 该项目地址为：https://github.com/LittleYuanzi/awesome-Automanous-3D-detection-methods 该项目主要在对近期（17年）开始的自动驾驶场景的目标检测...
数据闭环的核心 | Auto-labeling方案都有哪些？
CV_Autobot的博客
07-01 877
作者|柴可宁 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/636622001点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【全栈算法】技术交流群前言：BEV算法的开发已经到了深水区，各家都投入了大量的精力去做bev的落地开发，其中一块最关键的就是如何高效的完成BEV的数据标注，无论是BEV 3D 目标， BEV...
Offboard 3D Object Detection from Point Cloud Sequences
w_t_f的博客
12-10 1090
通过连续帧的信息来辅助进行3D检测，专注于离线的3D自动标注任务，与车载算法相比，遥遥领先。
3D感知（6）Waymo离线点云序列3D物体检测网络 3D Auto Labeling
10点43的博客
04-25 3079
本文介绍一篇Waymo基于点云序列的3D目标检测网络：3D Auto Labeling，论文已收录于CVPR 2021。 这里重点是理解本文提出的 Object-centric Auto Labeling。 论文链接为：https://arxiv.org/abs/2103.05073 0. Abstract 1. Introduction & Related Work 2. 3D Auto Labeling Pipeline 3. Experiments ...
解读：Structure Aware Single-stage 3D Object Detection from Point Cloud
weixin_42608406的博客
10-22 892
文章目录1.前言2.摘要3.Introduction4.网络结构4.1.Backbone and detection networks4.2.Detachable auxiliary network4.3.Part-sensitive warping4.4.Loss 1.前言 从点云数据检测3D对象在自动驾驶中起着至关重要的作用。通过以完全卷积的方式逐步缩小3D点云的尺寸，当前的单级检测器非常有效。但是，缩小的特征不可避免地会丢失空间信息，并且无法充分利用3D点云的结构信息，从而降低了其定位精度。 2.摘
硬核！自动驾驶如何做数据标注？特斯拉EP3 Auto Labeling深度分析
CV_Autobot的博客
10-05 7686
作者|PerceptionX 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/466426243点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【数据集下载】获取计算机视觉近30种数据集！【要点速览】Tesla对自动标注的技术和要求：● 首先是在Vector Space上的标注, 需要对数据做出分析...
Offboard 3D Object Detection From Point Cloud Sequences.pdf
11-19
本论文提出的3D Auto Labeling管道，通过充分利用点云序列中的时间信息，提高了离板3D检测的准确性和鲁棒性，为自动标注和后续应用铺平了道路。这一创新方法不仅解决了现有技术的不足，也为自动驾驶、智能交通等领域...
[ INFO] [1762609974.523684944, 499.384000000]: Offboard enabled for all drones [ INFO] [1762609979.576802162, 504.434000000]: Offboard enabled for all drones
11-09
“Offboard enabled for all drones” 表示所有无人机都已成功启用 Offboard 模式。Offboard 模式是一种由外部计算机（如运行 ROS 的计算机）通过 MAVROS 等接口向无人机发送控制指令的飞行模式，受多个参数影响，如...
【论文阅读】【三维目标检测】Structure Aware Single-stage 3D Object Detection from Point Cloud
麒麒哈尔的博客
04-12 4736
文章目录SASSDmotivationFrameworkAuxiliary NetworkPS WarpExperiment思考Point和Voxel的结合之作PSwarp将one stage和two stage的方法联系起来 香港理工大学和阿里巴巴达摩院出品，之前听说阿里的团队检测KITTI排第一，可能就是这篇文章吧。 如果对2D Object Detection有一定了解，其实本文读起来还是比...
近期激光雷达点云的3D目标检测方法
3D视觉工坊
05-10 1780
作者丨黄浴@知乎来源丨https://zhuanlan.zhihu.com/p/370650927编辑丨3D视觉工坊看到的一些近期激光雷达做目标检测的论文。1 Offboard 3D Ob...
3D感知（5）SIENet: Spatial Information Enhancement Network for 3D Object Detection from Point Cloud
10点43的博客
04-06 2759
本文介绍一篇两阶段的3D目标检测网络：SIENet，论文已收录于CVPR 2021。 这里重点是理解本文提出的 Hybrid-Paradigm Region Proposal Network 和 Spatial Information Enhancement module。 论文链接为：https://arxiv.org/abs/2103.15396 项目链接为：https://github.com/Liz66666/SIENet 0. Abstract 1. Introduction & R.
ECCV 2020预会议 直播笔记| - Weakly Supervised 3D Object Detection from Lidar Point Cloud
yuuzhao的博客
07-31 563
标注方法 制作精确的标注， 标注要在三维图像里面找到边界框的位置。 全自动、 半自动 为标签预测 平均标注框
如何打造自动驾驶的数据闭环？
weixin_55366265的博客
01-22 1131
本文来源：知乎专栏、汽车ECU开发/导读/最近自动驾驶和数据闭环结合在一起，原因是自动驾驶工程已经被认可是一个解决数据分布“长尾问题”的任务，时而出现的corner case（极端情况...
Autolabeling 3D Objects with Differentiable Rendering of SDF Shape Priors
weixin_42150591的博客
03-31 1525
[CVPR2020] Autolabeling 3D Objects with Differentiable Rendering of SDF Shape Priors 论文地址：https://arxiv.org/pdf/1911.11288.pdf github地址：http://github.com/TRI-ML/sdflabel 摘要 本文设计了一种结合现有的2D检测器和稀疏lidar数据，自动标注物体9d立方体（位姿）和3D形状的方法。我们的标注方法通过先验形状信息和不断优化的几何、物理参数，解
CVPR 2021 | 论文大盘点：3D目标检测
3D视觉工坊
09-28 4186
作者丨我爱计算机视觉@知乎来源丨https://zhuanlan.zhihu.com/p/389319123编辑丨3D视觉工坊本篇汇总 3D 目标检测相关论文，包含基于单目、基于深度图、基...
论文笔记（一百零三）π0.6 : a VLA That Learns From Experience（二）
xzs1210652636的博客
11-20 743
我们研究视觉-语言-行动（vision-language-action, VLA）模型如何在真实世界部署中通过强化学习（reinforcement learning, RL）持续提升能力。 我们提出了一种通用方法——基于优势条件策略的经验与纠正强化学习（RL with Experience and Corrections via Advantage-conditioned Policies, RECAP），该方法通过“优势条件化”（advantage conditioning）为 VLA 模型提供强化学习训
《ShadowCoT: Cognitive Hijacking for Stealthy Reasoning Backdoors in LLMs》——论文阅读
最新发布
2301_77039628的博客
11-22 424
本文提出ShadowCoT框架，首次实现针对大语言模型推理过程的后门攻击。该方法通过精准定位关键注意力头，采用三阶段训练（初步对齐-强化学习-监督重对齐）和推理链污染机制（RSC残差扰动+CABA偏差放大），以仅0.15%参数更新量实现高效攻击。实验显示在LLaMA-2等模型上平均攻击成功率超85%，推理劫持成功率78%，且对抗推理链的困惑度接近正常输出，检测率仅11.7%。该工作揭示了CoT范式下模型内部推理轨迹的安全脆弱性，为防御研究提供了新方向。
论文笔记（一百零三）π0.6 : a VLA That Learns From Experience（一）
xzs1210652636的博客
11-20 893
本文提出RECAP方法，通过优势条件策略实现视觉-语言-行动(VLA)模型的持续强化学习改进。该方法整合示教数据、自主执行数据和专家干预数据，采用离线强化学习预训练通用VLA模型π0.6，再通过真实机器人数据进行任务专业化。实验表明，完整RECAP流程能显著提升模型性能：在叠衣服、组装纸箱和操作咖啡机等复杂任务中，任务吞吐量提高2倍以上，失败率降低约一半。这使π0.6模型具备实际应用水平的鲁棒性，如连续13小时制作咖啡、2小时叠衣等。相比现有方法，RECAP支持更大规模模型训练，处理更复杂的真实世界任务。
评论
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