3D目标检测论文笔记
文章平均质量分 90
3D目标检测论文笔记
Tianchao龙虾
这个作者很懒,什么都没留下…
展开
-
Lift Splat Shoot Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D 论文阅读笔记
Lift Splat Shoot Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D 论文阅读笔记原创 2022-12-15 15:18:11 · 782 阅读 · 1 评论 -
SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation 论文笔记
SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation 论文笔记论文链接: https://arxiv.org/abs/2002.10111一、 Problem Statement目前的单目3D视觉中,通常非常依赖于RCNN网络或者RPN网络,然后会多加一个分支去学习3D信息或者产生伪激光雷达,然后将它们放入点云检测网络中。作者认为2D检测网络是冗余的,且对3D目标检测来说引入了不可忽视的噪声,导致学习3D几原创 2022-02-22 23:24:36 · 2421 阅读 · 0 评论 -
CenterPoint 论文笔记
Center-based 3D Object Detection and Tracking CenterPoint CVPR2021论文链接: https://arxiv.org/abs/2006.11275一、 Problem Statement三维世界中的对象不遵循任何特定方向,基于box-based的检测器难以枚举所有方向或将轴对齐的边界bounding box拟合到旋转的对象。 而且3D目标检测有以下三个挑战:点云稀疏输出的3D bounding box通常不与任何坐标轴对齐3D目标原创 2021-10-15 14:48:07 · 4792 阅读 · 0 评论 -
CIA-SSD 论文笔记
CIA-SSD: Confident IoU-Aware Single-Stage Object Detector From Point Cloud CIA-SSD AAAI 2021论文链接: https://arxiv.org/abs/2012.03015一、 Problem Statement目前的one-stage detectors 通常把目标定位和分类当成是分开的任务,所以定位精度和分类置信度就不能很好的对齐。二、 Direction提出了confident IoU-Aware S原创 2021-10-07 14:27:13 · 1050 阅读 · 0 评论 -
Pesuo-Lidar ++: Accurate Depth for 3D Object Detection in Autonomous Driving 论文笔记
Pseudo-LiDAR++: Accurate Depth for 3D Object Detection in Autonomous Driving论文链接: https://arxiv.org/abs/1906.06310一、 Problem Statement提升pseudo-lidar 检测far-away目标的性能。作者观察到一个问题:双目深度估计的方法是比较可靠的,但是它们估计整个目标的深度不是太近就是太远。上图红色的点偏离绿色的bounding box 2米,所以深度估计有偏差。而原创 2021-05-08 08:08:03 · 898 阅读 · 0 评论 -
3D Bounding Box Estimation Using Deep Learning and Geometry 论文笔记
3D Bounding Box Estimation Using Deep Learning and Geometry论文链接: https://arxiv.org/abs/1612.00496一、Problem Statement2D目标框如何转3D目标框。CenterNet和百度的apollo都参考了这篇文章。二、Direction第一步先通过深度学习回归出一些相对稳定的3D目标的性质,然后结合2D 目标检测的bounding box所提供的一些几何限制给出一个完整的3D bounding原创 2021-04-24 08:07:26 · 786 阅读 · 0 评论 -
VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection 论文笔记
VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection论文链接: https://arxiv.org/abs/1711.06396一、 Problem Statement2017年的论文。目前大部分工作都是对3D点云使用hand-crafted 特征工程,因此效率会比较低。而最近提出来的PointNet又要求高的计算能力和内存。RPN用于目标检测,但是其要求数据是稠密且是tensor结构的。二、 Directio原创 2021-04-17 09:41:13 · 369 阅读 · 0 评论 -
SECOND: Sparsely Embedded Convolutional Detection 论文笔记
SECOND: Sparsely Embedded Convolutional Detection论文链接: https://www.researchgate.net/publication/328158485_SECOND_Sparsely_Embedded_Convolutional_Detection项目连接: https://github.com/traveller59/second.pytorch一、Problem Statement目前的voxel-based 3D 卷积网络速度慢和方向原创 2021-04-15 09:41:30 · 768 阅读 · 0 评论 -
PointPillars: Fast Encoders for Object Detection from Point Clouds 论文笔记
PointPillars: Fast Encoders for Object Detection from Point Clouds论文链接: https://arxiv.org/abs/1812.05784Problem Statement作者认为目前对于point cloud 的两种encoding 方式,精度与速度不能很好的兼备,因此提出一种新的encoding 方式,名为PointPillars。voxel:point cloud is organized in voxels and t原创 2021-04-14 10:51:36 · 565 阅读 · 0 评论 -
Pseudo-LiDAR from Visual Depth Estimation 论文笔记
Pseudo-LiDAR from Visual Depth Estimation: Bridging the Gap in 3D Object Detection for Autonomous Driving论文链接: https://arxiv.org/abs/1812.07179Problem Statement基于雷达的3D目标检测可以较为精准但是依赖昂贵的雷达设备,而基于单目或者双目摄像头的3D目标检测精度低。作者认为是深度估计表示的问题,而不是深度估计的数据和雷达数据有很大差异的问题。D原创 2021-04-10 08:49:27 · 585 阅读 · 0 评论