【2022】将3D目标检测看作序列预测-Point2Seq: Detecting 3D Objects as Sequences

最新推荐文章于 2023-03-08 20:00:45 发布
最新推荐文章于 2023-03-08 20:00:45 发布
阅读量4.2k 收藏 1
点赞数
分类专栏： ▶ 深度学习-计算机视觉 文章标签： 计算机视觉 深度学习 点云 3D检测 目标检测
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/weixin_44936889/article/details/124338546
版权
Point2Seq是将3D目标检测转换为序列预测任务的一种新方法，受到Pix2seq启发但针对3D场景。它通过场景到序列解码器自回归生成对象序列，并使用基于相似性的序列匹配进行端到端训练，无需预先定义的锚点或中心。在ONCE和Waymo数据集上，该方法表现优越。
摘要由CSDN通过智能技术生成

将3D目标看作序列检测-Point2Seq: Detecting 3D Objects as Sequences

论文地址：

https://arxiv.org/abs/2203.13394

代码地址：

https://github.com/ocNflag/point2seq

论文简介：

这篇文章主要是参考了Google去年的Pix2seq目标检测模型：

在这里插入图片描述

这篇文章跟Pix2seq基本一致，只不过将每个3D对象视为一系列单词序列，并将3D对象检测任务重新表示为以自回归的方式从3D场景中解码单词

但是全文看下来仿佛还是更接近传统的锚框/中心检测方法，跟Pix2seq模型的动机不太一致，因为Point2Seq仍采用基于特征像素点的密集预测以及回归坐标的方法，并且单词表示仍采用连续表示，无法拓展到多任务多模型，语言建模也仅体现在顺序预测上

此外匹配部分仍采用了Detr中的二分匹配，感觉是3D Detr的翻版而非P

了解本专栏 订阅专栏 解锁全文 超级会员免费看
BIT可达鸭
关注
专栏目录
订阅专栏
LSTM实现多变量输入多步预测(Seq2Seq多步预测)时间序列预测(PyTorch版)
CSDN 精品推荐
02-03 4385
本专栏整理了《深度学习时间序列预测案例》，内包含了各种不同的基于深度学习模型的时间序列预测方法，例如LSTM、GRU、CNN（一维卷积、二维卷积）、LSTM-CNN、BiLSTM、Self-Attention、LSTM-Attention、Transformer等经典模型，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
sketch-pix2seq：重新实现“ Sketch-pix2seq：生成多个类别草图的模型”
02-06
sketch-pix2seq 这是论文的重新实现代码。 输入值 产生的例子 要求 Python 3 Tensorflow（> = 1.4.0） 或 （用于矢量草图渲染。可以选择其中之一。） sudo apt-get install inkscape # or pip3 install cairosvg 数据准备 跟着这些步骤： 首先从数据集中下载.npz数据。 根据需要选择一个或多个类别。 将.npz软件包放置在datasets/npz/ dir下。 修改超PARAMS get_default_hparams()在 在data_set设置已下载软件包的data_set 在i
Point2Sequence：Point2Sequence：使用基于注意力的序列到序列网络学习3D点云的形状表示
01-28
Point2Sequence：使用基于注意力的序列到序列网络学习3D点云的形状表示 由，，， 。 引文 如果您发现我们的工作对您的研究有用，请考虑引用： @inproceedings{liu2019point2sequence, title={Point2Sequence: Learning the Shape Representation of 3D Point Clouds with an Attention-based Sequence to Sequence Network}, author={Liu, Xinhai and Han, Zhizhong and Liu, Yu-Shen and Zwicker, Matthias}, booktitle={Thirty-Third AAAI Conference on Artificial Intelligence}, year={2019} } 介绍 在Point2Sequence中，我们通过顺序方式在点集的局部区域中构建多尺度区域。 为了探索不同尺度区域之间的相
Offboard 3D Object Detection From Point Cloud Sequences
dydwl的博客
01-09 2240
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-Point2Sequence.zip
09-17
3D-Point2Sequence.zip,Point2Sequence：使用基于注意力的序列到序列网络学习三维点云的形状表示,3D建模使用专门的软件来创建物理对象的数字模型。它是3D计算机图形的一个方面，用于视频游戏，3D打印和VR，以及其他应用程序。
S2P(Sequence to point)模型
最新发布
phoenixlxl的博客
03-08 2229
NILM中的S2P模型介绍
Sequence-to-point learning with neural networks for nonintrusive load monitoring
11-07
使用seq2point神经网络进行点对点学习以进行非侵入式负载监测
视频中的3D人体姿态估计(3D human pose estimation in vide)--------Facebook research: VideoPose3D
u013195114的博客
04-16 7240
视频中的3D人体姿态估计（3D human pose estimation in video） 解读Facebook AI Research in CVPR2019: 《3D human pose estimation in video with temporal convolutions and semi-supervised training》 这里写自sdsad定义目录标题视频中的3D人体姿...
seq2seq 最佳论文
02-07
We describe a method for generating sentences from “keywords” or “headwords”. This method consists of two main parts, candidate-text construction and evaluation. The construction part generates text sentences in the form of dependency trees by using complementary information to replace information that is missing because of a “knowledge gap” and other missing function words to generate natural text sentences based on a particular monolingual corpus. The evaluation part consists of a model for generating an appropriate text when given keywords. This model considers not only word n-gram information, but also dependency information between words. Furthermore, it considers both string information and morphological information
nilm-papers-with-code:NILM论文的存档，其中包含源代码和其他补充材料-Source material
03-24
科学贡献的可重复性是奖学金的一个重要方面，受到了很少的关注！ 该存储库旨在收集与同行评审的NILM（别名能量分解）论文相关的信息，这些论文已与源代码或大量补充材料一起发布。 我们根据许多类别对NILM论文进行分组：算法，工具包，数据集和杂项。 随时为该存储库做出贡献！ 请考虑我们的“样式指南”： 这是一个标题。 （年）。 主要作者等。 可选：会议或期刊的缩写，即它在哪里出版？ 演算法 图形信号处理 关于使用图形信号处理的非侵入式设备负载监控的少培训解决方案（2016）。 B.赵等人。 IEEE访问。 隐马尔可夫模型 利用HMM稀疏性执行在线实时非侵入式负载监控（NILM）。 （2015）。 S. Makonin等。 IEEE TSG。 神经网络 通过基于注意力的深度神经网络改善非侵入式负载分配。 （2021年）。 V. Piccialli等。 能量 用于Seq2Poin
NLP-生成模型-2017-PGNet：Seq2Seq+Attention+Coverage+Copy【Coverage解决解码端重复解码问题；Copy机制解决解码端OOV问题】【抽取式+生成式】
u013250861的博客
12-24 3539
Pointer Network(指针网络)属于生成式模型。 - 仅用传统的 Seq2Seq 模型可以实现生成式摘要，但存在两个问题： 1. 可能不准确地再现细节, 无法处理词汇不足（OOV）单词/they are liable to reproduce factual details inaccurately; 2. 倾向于重复自己/they tend to repeat themselves。 - 传统的 Seq2Seq 模型中 Decoder 输出的目标数量是固定的，例如翻译时 Decoder 预测
OpenCV 直线拟合
汤永康 de 研究笔记
02-11 9515
转贴请注明出处！ 严禁商业用途出处： http://blog.csdn.net/Tangyongkang/翻译自： http://www.eml.ele.cst.nihon-u.ac.jp/~momma/wiki/wiki.cgi/OpenCV/%E7%9B%B4%E7%B7%9A%E3%81%AE%E3%83%95%E3%82%A3%E3%83%83%E3%83%86%E3%82%A3%
学习笔记——seq2seq模型介绍
Clichong
07-17 752
以下内容来源与李宏毅老师的课程。 文章目录一、Generation二、Attention1.Dynamic Conditional Generation1）对于机器翻译的例子2）对于语音识别的例子3）对于图像操作的例子2.Memory Network1）结构一2）结构二3. Neural Turing Machine三、Tips for Generation1. Regularization term2. Mismatch between Train and Test解决方法1：Schedualed Sam
实战深度学习之Seq2Seq（11）
leva的博客
08-27 182
import tensorflow as tf import data_utils import os import math import sys import time class Seq2SeqModel(object): def __init__(self, learning_rate, learning_rate_decay_factor, source_vocab_size=40000, \ target_vocab_size=40000, num_steps=100, nu.
[nlp] seq2seq模型优化，coverage&point-generator-networks
心宝的博客
12-16 341
典型的Seq2Seq
NLG一、seq2seq详解以及相应trick介绍
wshzd的博客
05-30 854
paper：https://arxiv.org/pdf/1406.1078.pdf code：https://github.com/google/seq2seq 18年的时候使用这个模型做标题生成，今天来总结一下这个比较经典的模型结构。对于自动摘要或者标题生成的任务，一般有两种方法：抽取式和生成式。其中抽取式是从文章中对段落和句子打分进行抽取，而生成式是根据输入序列模型直接输出一个序列，相对比较智能一些，而本次分享的这篇论文就是生成式的一个经典框架。本论文是在2014年Googl...
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

打赏作者

BIT可达鸭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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