本文介绍了多种基于点云的三维目标检测和跟踪方法,如VoxelNet、PillarTrack和EasyTrack。这些方法通过不同的特征编码和网络设计,显著提升了在KITTI和nuScenes数据集上的检测和跟踪性能,具备较高的实时性和准确性。
本文介绍了基于激光雷达和单目摄像头的三维目标检测方法,提出了半监督主动学习框架和新型管道,显著提升了检测性能并降低了标注成本,验证了在KITTI和Waymo数据集上的有效性。
本文探讨了三元组损失在深度学习中的应用,提出了新公式以提升图像分类和三维目标检测的效果。实验结果表明,该方法在车辆重新识别和物体跟踪任务中表现优越,超越了现有算法。
本文综述基于深度学习的地标视觉定位研究,涵盖杆类地标地图匹配、语义Pole-map粒子滤波定位、航拍车道检测数据集、高清地图增强三维目标检测、点云融合地标标注、道路布局推断、LiDAR目标检测、HDMapNet语义地图学习及三维路缘检测等方法,多数实验表明其性能优于基线。
本文综述了单目深度估计与三维目标检测的多项研究,包括DNet、置信度引导立体检测、多摄像头3D检测、DCD、DBox、Center3D、SGDepth和CaDDN等方法,这些方法在KITTI等基准上取得了领先性能。
该文综述主动学习在三维目标检测与点云分割中的应用,提出基于Crb框架、信息熵查询、不确定度度量及半监督等方法,筛选高信息量样本以降低标注成本、缓解类别不平衡,并在nuScenes、KITTI等数据集上验证有效。
该文综述主动学习在自动驾驶与三维目标检测中的应用,涵盖LiDAR点云、RGB提案、不确定性度量、混合密度网络及增量学习等方法,可减少标注量达60%,并用于遥感与医学影像分割。
该文综述多项三维目标检测研究:动态细化网络与定向边界框注释用于有方向密集目标检测;时序融合模块利用时序信息减轻单帧噪声与遮挡;3DifFusionDet将检测视为去噪扩散过程;可行驶区域基准提出动态融合模块DFM;基于通道注意力的多模态自适应融合降低假阳性;F3Net实现高效显著目标检测;InfoFocus优化点云密度达实时性能;PointSIFT与SENet提升稀疏点云三维检测;一阶段LiDAR检测器及MMFusion多模态框架在KITTI表现优异。
该文综述多模态融合的三维目标检测方法,涵盖图像与激光雷达、雷达等的融合策略,包括通道注意力自适应融合、mmFUSION、FBMNet、DeepFusion、MMFusion、DVF及MCAF-Net等,这些方法可减少假阳性、提升速度与鲁棒性;文中还介绍了相关数据集、融合阶段的演变及面临的挑战。
本文综述了基于点体素、基于范围和基于锚点的三维目标检测方法,分别利用点和体素特征、范围图像和锚点进行检测。辅助任务如语义分割、交集并集预测、对象形状补全和对象部分估计可以提高性能。集成更多感知任务到现有管道中是有希望的。
本研究提出了一种新的多相机三维目标检测方法,通过视角校正和特征渲染,有效地检测不同视角、相机参数和环境条件下的目标。该方法采用基于模型的不可知的方法,无需额外的推理成本和对真实场景注释,实验结果明确展示了其有效性。
本文提出了一种基于单个 RGB 图像的高效三维目标检测框架,利用二维目标检测器提取表面视觉特征,消除表征歧义问题,并探索了不同的三维边界框细化方法。在 KITTI 基准测试上,该方法优于当前单个 RGB 图像基础的三维目标检测技术水平。
本文提出了一种新的半监督三维目标检测框架,通过引入STE和CBV模块提高了教师模型的性能,同时提出了BCL软监督信号来减小错误样本对训练的负面影响。实验结果表明,该方法在ONCE和Waymo数据集上显著提高了基线,在Waymo数据集上只使用了一半的注释即可超过完全注释的oracle模型。
完成下面两步后,将自动完成登录并继续当前操作。