paper阅读
文章平均质量分 95
阅读文章,分析文章思路和创新点。
xinxiang7
毕业上海交通大学。主要从事深度学习的算法实现和研究。目前主要用的语言是python,框架为Tensorflow。做过斗地主AI,实现过一些有趣的项目。
展开
-
SECOND
SECOND: Sparsely Embedded Convolutional Detection文章:SECOND该文章是已经离职百度的李博所创的公司(主线科技)发表的。Abstract问题:推理速度较慢方向评估表现不好方法:改善后的稀疏卷积方法,显著提升训练和推理速度提出一个角度损失回归方法,改善方向评估表现一种新的数据增强方法,提升收敛速度和表现结果:在当时的KITTI上表现最好推理速度相对较快,对于较大的模型20FPS,较小的模型40FPS。Introduct原创 2021-02-24 16:36:50 · 335 阅读 · 0 评论 -
CIA-SSD
CIA-SSD: Confifident IoU-Aware Single-Stage Object Detector From Point Cloud文章:CIA-SSD代码:CIA-SSD文章发表于AAAI2021,来自于港中文的博士生,Wu Zheng。通讯作者是港中文的博导Chi-Wing FuAbstract当前问题:用于在点云中定位目标的现有单级探测器常常将目标定位和分类作为分开的任务,所以定位准确度和分类置信度不能很好的对齐。解决方法:为了解决这个问题,我们提出了一个名叫Co原创 2021-02-23 15:12:07 · 3686 阅读 · 2 评论 -
VoxelNet
VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection文章:VoxelNet这是来自于苹果的一篇文章,一作是目前就职于Waymo的Yin Zhou。通讯作者是苹果的AI research group的首席研究员,Oncel Tuzel。AbstractVoxelNet将点云均等的切分为3D体素,并且通过一种新引入的体素特征编码层(VFE)将每个体素中的一组点转化为统一的特征展示。通过这种方法,将点云编码为一个可展原创 2021-02-22 17:19:49 · 338 阅读 · 0 评论 -
SASSD
Structure Aware Single-stage 3D Object Detection from Point Cloud文章:SA-SSD代码:SA-SSD这是来自香港理工大学和达摩院的一篇文章,一作是为在读的博士生,何晨航。通讯作者是张磊,香港理工大学的博导,目前在达摩院。华先胜达摩院的的人,也是为大牛。Abstract提出问题:目前的单级探测器通过完全卷积方式逐步缩小三维点云是有效的。但是缩小特征不可避免的损失空间信息和无法充分利用3D点云的结构信息,降低了位置精度。文章工作:原创 2021-02-20 17:19:36 · 1736 阅读 · 0 评论 -
3DSSD
3DSSD: Point-based 3D Single Stage Object Detector来自港中文贾佳亚大神组的一篇文章。该篇文章在CVPR2020上拿到了oral。好文章,一定要好好拜读一下。文章:3DSSD代码:3DSSDAbstract当前已经有各种各样的基于体素的单阶段的3D目标检测,但是基于点的单阶段目标检测还有待探索。在这篇文章中,我们第一次展示了轻量级的和有效的基于点的单阶段的3D目标检测,称为3DSSD。在这个范式中,在所有现存的基于点的方法中不可避免的所有的上采样和优原创 2021-02-20 10:48:33 · 883 阅读 · 0 评论 -
3DVID
3DVID论文: LiDAR-based Online 3D Video Object Detection with Graph-based Message Passing and Spatiotemporal Transformer AttentionAbstract模型提出了两个组件:空间特征编码组件(Spatial feature encoding component)时空特征聚合组件(spatialtemporal feature aggregation component)在空间特原创 2021-02-08 15:52:28 · 635 阅读 · 0 评论 -
3D-CVF
3D-CVF论文: 3D-CVF: Generating Joint Camera and LiDAR Features Using Cross-View Spatial Feature Fusion for 3D Object DetectionAbstract融合的难点之一是传感器的空间角度。融合时可能会出现空间信息损失,因为这种转换是一到多的转换。为了解决这个问题,文中采用的是利用交叉视角的空间融合策略结合相机和激光雷达的信息。该方法利用自动校准的投影,将2D相机特征转换成平滑的空间特原创 2021-02-08 15:27:21 · 1170 阅读 · 0 评论 -
CloCs
CloCs论文: <<CLOCs: Camera-LiDAR Object Candidates Fusion for 3D Object Detection>>Abstract文章提出了一种新颖的Camera-LiDAR 目标候选框融合的网络。CLOCs融合提供了一种低复杂度、多模态融合框架,该框架能够显著提升单模态的检测器的表现。CLOCs在任何2D和3D检测器的NMS之前对联合的输出候选框进行操作,而且它们的几何和感知一致性产生更为精确的3D和2D检测结果。Intro原创 2021-02-08 15:17:21 · 3012 阅读 · 2 评论 -
EPNet
EPnetEPNet: Enhancing Point Features with Image Semantics for 3D Object DetectionAbstract:文章主要研究以下两个问题:多源融合(激光雷达和相机图像)位置和分类置信度之间不一致多源融合:在没有任何图像标注的逐点行为中,增强语义图像特征的点特征位置和分类置信度之间的不一致:损失函数Introduction使用多源融合的两种方式:在不同阶段使用不同传感器构成级联;多个传感器输入的联合推理,融合原创 2021-02-08 15:08:16 · 4259 阅读 · 3 评论 -
F-PointNets
F-PointNets论文:《Frustum PointNets for 3D Object Detection from RGB-D Data》Abstract利用RGB-D进行目标检测。尽管之前的方法集中在图像或者3D体素上,常常掩盖自然3D模式和3D数据的不变体,但是我们通过RGB-D扫面直接操作原始点云。但是,这个方法的关键在于如何在大范围扫描(区域候选框)的点云中高效的局部化物体。相比于单独依赖于3D候选区域,我们的方法利用预训练好的2D目标检测器和先进的3D深度学习来进行目标局部化,达到即原创 2021-02-08 14:40:47 · 959 阅读 · 0 评论 -
Voxel-RCNN
Voxel R-CNN: Towards High Performance Voxel-based 3D Object DetectionAbstract3D对象检测的最新进展在很大程度上取决于如何表示3D数据,即基于体素或基于点的表示。 许多现有的高性能三维探测器都是基于点的,因为这种结构可以更好地保留精确的点位置。 尽管如此,由于无序存储,点级特性会导致较高的计算开销。 相反,基于体素的结构更适合于特征提取,但由于输入数据被划分为网格,往往产生较低的精度。 在本文中,我们采取了一个稍微不同的观点-我原创 2021-02-08 11:23:10 · 4543 阅读 · 0 评论 -
PV-RCNN
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object DetectionAbstractPointVoxel-RCNN是一个新颖的,高表现的3D目标检测框架,从点云中检测3D目标. 我们的方法整合了voxel 3D CNN和基于PointNet的集抽象来学习更多的有鉴别行的点云特征.它充分利用了高效的学习,3D体素的CNN的高质量的proposals以及基于PointNet网络的灵活的感受野.该框架通过一个新的体素集抽象模块将三维场景与三维原创 2021-02-08 11:14:46 · 742 阅读 · 2 评论 -
PointRCNN
PointRCNNAbstract而不是像以前的方法一样,从RGB图像或投影点云到俯瞰图的视图或体素生成proposals. stage-1子网络从点云中以bottom-up的方式将整个场景的点云划分为前景点和背景,进而直接生成一些高质量的3D proposals。stage-2子网络将每个proposal的池化后的点转化到标准坐标系中来学习更好的局部空间特征,这和stage-1中学习到的每个点的全局语义特征相结合进而获得准确的框优化和置信度预测。Introduction我们提出了一种新的基于自下原创 2021-02-08 11:05:56 · 244 阅读 · 0 评论 -
3D目标检测综述
主要从技术变更历史、发展路线、数据集、数据融合的方式、当前知名的实验室以及大牛,其中的侧重点等方面介绍。当作是文献阅读的一种记录。有不足之处还请指出。原创 2021-02-04 18:18:26 · 5250 阅读 · 0 评论