MLCVNet: Multi-Level Context VoteNet for 3D Object Detection

最新推荐文章于 2024-12-29 09:24:18 发布
最新推荐文章于 2024-12-29 09:24:18 发布
阅读量474 收藏
点赞数
分类专栏： 论文阅读 文章标签： 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.youkuaiyun.com/m0_63520910/article/details/124080699
版权
本文探讨了如何通过改进的VoteNet方法，如PPC、OOC和GSC模块，引入上下文信息来提高3D物体检测的准确性，特别关注于解决遮挡问题。点云的3D bounding box检测通过结合点补丁关系、对象间关系和全局场景理解显著提升。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

对于输入的3D点云，像2D一样使用一个bounding box去将相应的物体包围起来，不过这里使用的bounding box也同样变成了3维的。

研究了什么

        是对三维目标的检测，准确来说，是加入了对上下文环境后对三维目标的检测。这样提高了检测的准确性。

研究方法是什么

        应该是VoteNet的改进。以VoteNet为基本方法，加入了三个子模块，分别为PPC,OOC,GSC模块。

 过程是什么

 整体结构分为了：特征提取模块、上下文模块、抑制模块（和输出模块嘛？）。作者简单介绍了一下特征提取，主要介绍的是上下文模块。

backbone部分，特征提取作者采用的是pointnet++，输入是N个

最低0.47元/天 解锁文章
三维目标检测--VoteNet增强版--MLCVNet论文解读
twn29004的博客
12-14 3214
本文首先提出了三维目标检测中对于一些含有点云数量很少的目标，人类都难以辨别，此外，大部分的网络都是单独的考虑每一个proposal，这也大大加大了网络来辨别的难度。此外，作者通过观察发现，如果能够结合上下文信息的话，我们可能能够更加简单的辨别出所需要的目标。 上图是作者用来展示上下文信息的重要性的。如果单独拿一个目标出来，人类肉眼都难以辨别这个是什么类型的目标，但是如果知道这是一个餐厅的话，有60%的概率能够辨别出来是椅子，如果能够知道这个目标周围有社么的话，有85%.
论文阅读：Scale-aware Automatic Augmentation for Object Detection (CVPR 2021)
weixin_43570470的博客
04-07 2263
paper:https://arxiv.org/abs/2103.17220 code:https://github.com/dvlab-research/SA-AutoAugGitHub - dvlab-research/SA-AutoAug 目录 1 Motivation 1.1 图像级增强 Image-level augmentations 1.2 盒级增强 Box-level augmentations 2 Methods 2.1 搜索空间 2.2 评价指标 2.3 搜索算法...
《论文阅读》MLCVNet: Multi-Level Context VoteNet for 3D Object Detection
未知丶的博客
11-10 1158
留个笔记自用 MLCVNet: Multi-Level Context VoteNet for 3D Object Detection 做什么 3D object detection。3维目标检测 对于输入的3D点云，像2D一样使用一个bounding box去将相应的物体包围起来，不过这里使用的bounding box也同样变成了3维的 做了什么 简单来说，对votenet进行一个改进 在每个点做中心点的vote之前，加了几个上下文模块来学习场景的上下文关联信息，显然这样有助于检测时的语义理解，这里
MLCVNet: 用于3D目标检测的开源项目
gitblog_01155的博客
12-29 362
MLCVNet: 用于3D目标检测的开源项目 MLCVNet [CVPR 2020] MLCVNet: Multi-Level Context VoteNet for 3D Object Detection 项目地址: https...
**深入探索MLCVNet：为三维物体检测开辟新天地**
gitblog_00099的博客
06-24 350
深入探索MLCVNet：为三维物体检测开辟新天地 MLCVNet[CVPR 2020] MLCVNet: Multi-Level Context VoteNet for 3D Object Detection项目地址:https://gitcode.com/gh_mirrors/ml/MLCVNet 在日益发展的计算机视觉领域中，三维物体检测已成为研究热点之一，尤其在室内场景理解方面展现出了巨大...
【论文阅读】【3d目标检测】从votenet到MLCVNet再到Pointformer
hgj1h的博客
04-07 1329
论文题目：MLCVNet: Multi-Level Context VoteNet for 3D Object Detection 论文题目：3D Object Detection with Pointformer 两篇文章要对比着来看 首先，我们来看看mlcvnet做了些什么 万物的起源：mlcvnet将attention模块引入了点云目标检测中： 文章主要由三个部分组成：ppc ooc及GSC 首先我们利用pointnet++作为backbone生成一系列的patches，这些patch的生成显然是通
Stitcher-小目标检测算法 | Stitcher: Feedback-driven Data Provider for Object Detection
weixin_42096202的博客
04-29 2548
刚出来的小目标检测论文 论文地址：https://arxiv.org/pdf/2004.12432.pdf Abstract： 目标检测器通常会根据尺寸具有不同质量，其中小物体的性能最不令人满意。在本文中，我们研究了这种现象，并发现：在大多数训练迭代中，小目标的损失对总损失几乎没有贡献，导致优化不平衡导致性能下降。受此启发，我们提出Stitcher，它是一种反馈驱动的数据提供者，旨在以平衡的...
Multi-Scale Attention Network for Crowd Counting：用于人群计数的多尺度注意网络
qq_37973756的博客
05-11 2506
Multi-Scale Attention Network for Crowd Counting：用于人群计数的多尺度注意网络Multi-Scale Attention Network for Crowd CountingAbstract（摘要）1. Introduction2. Ralated Work3. Our approach3.1 Baseline network for crowd counting3.2. Scale-aware soft attention masks(尺度感知的软注意力掩
【论文学习】：Multi-Person Pose Estimation for PoseTrack with Enhanced Part Affinity Fields
m0_37644085的博客
09-30 4183
论文地址：https://posetrack.net/workshops/iccv2017/pdfs/ML_Lab.pdf 这篇文章，初见简直惊艳以及钦佩，加上参考文献才4面纸，效果竟然拿到了2017年ICCV Challenge 1: Single-Frame Person Pose Estimation的第一名。 ps：先简单看下论文说的什么。 本文给我最大的启示是：人体姿势估计和语义分...
CVPR2020 3D目标检测文章汇总
有所为，有所成长
06-22 7122
前言 笔者前面已经基本都介绍了今年CVPR20上接收了几篇的最新的目标检测文章，有从检测网络结构上设计的，有基于观察到目前方法遗漏的细节信息的。也有在前人的网路结构上进一步作出改进解决掉前人遗留问题的。 PVRCNN 文章地址：https://arxiv.org/pdf/1912.13192.pdf 代码地址：https://github.com/sshaoshuai/PCDet 、8】 、丰田...
CVPR2020-3D目标检测论文合集
qq_33287871的博客
07-02 2743
LiDAR-Based Online 3D Video Object Detection With Graph-Based Message Passing and Spatiotemporal Transformer Attention 作者 | Junbo Yin, Jianbing Shen, Chenye Guan, Dingfu Zhou, Ruigang Yang 单位 | 北京理工大学；百度；肯塔基大学等 代码 | https://github.com/yinjunbo/3DVID Struc
室内环境下的3D 目标检测调研
Jeff_zjf的博客
07-09 3194
任务： 调研室内场景下基于单帧图像的3D目标检测的研究情况，选出精确性最好的前五名，有开源代码的前三名，总结成一个报告发给我，形式可以用PPT可以用word。 思路： 首先了解相关数据集，benchmark，在数据集的基础上比较不同算法。 1. 室内场景的3D数据集 sunrgbd：没有官方模型准确率排名 scannet：有排名http://kaldir.vc.in.tum.de/scannet_benchmark/ 3D 语义分割任务：（并不是3D目标检测） OccuSeg 来源：C..
CVPR2020开源论文（部分带阅读笔记）
热门推荐
知识混子_的博客
05-29 3万+
CVPR2020论文开源项目合集CNNExploring Self-attention for Image RecognitionImproving Convolutional Networks with Self-Calibrated ConvolutionsRethinking Depthwise Separable Convolutions: How Intra-Kernel Correlations Lead to Improved MobileNets图像分类Compositional Convo
【CVPR2020】3D目标检测论文汇总
Memory
09-16 2563
文章目录1. 3D目标检测——室外1. Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud Object Detection2. Structure Aware Single-stage 3D Object Detection from Point Cloud3. PnPNet: End-to-End Perception and Prediction with Tracking in the Loop4. DOP
MVX-Net Multimodal VoxelNet for 3D Object Detection 论文学习
calvinpaean的博客
07-18 876
下图是 MVX-Net VoxelFusion 方法，使用预先训练好的 2D Faster RCNN 计算图像特征图，RPN 和 RCN 并不用于 3D 推理流程。使用标定参数将 3D 点投影到图像，把对应的图像特征添加到 3D 点的后面。随后，VFE 层和 3D RPN 处理聚合后的特征，输出 3D 结果。然后利用标定参数，将每个 3D 点投影到图像上，将投影位置索引的特征添加到该点的后面。都通过 VFE 层（一个全连接网络）变换到特征空间，聚合 3D 点特征的信息，编码体素内的表面形状。
Sensor Fusion 论文精读系列（二）
深度不学习V的博客
07-02 996
Sensor Fusion 论文精读系列（二） 《Multi-View Adaptive Fusion Network for 3D Object Detection》 1 简介 《三维对象检测的多视图自适应融合网络》这篇文章2020年发表于arXiv，作者王国军，吉林大学博士 2 摘要 提出了一个单级多视图融合框架，它以激光雷达鸟瞰视图、激光雷达工作范围视图和相机视图图像作为三维物体检测的输入。我们提出了一个注意点态融合(APF)模块来估计三个注意机制的重要性，可以以点态方式实现多视图特征的自适应融合。
三维目标检测论文：Deep Hough Voting for 3D Object Detection in Point Clouds
碧落的博客
04-26 1万+
3D目标检测框架VoteNet Charles R. Qi，Or Litany，何恺明，Leonidas J. Guibas等 当前主流的3D目标检测方法，很大层度上受2D检测器的影响。充分利用2D检测器提取3D建议框，或将3D点云转换为规则的网格或利用2D图像提取锥形区域可参阅（https://blog.youkuaiyun.com/u011507206/article/details/89106892...
CVPR2019论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
CVPR 2020 论文大盘点-目标检测篇
OpenCV中文网
06-19 2562
本文盘点CVPR 2020 所有目标检测相关论文，总计64篇论文，感觉最大的特点是3D目标检测研究工作很多有21篇，尤其是工业界单位，可能是自动驾驶热带来的。2D目标检测依然很热，神经架...
Multi-head Latent Attention yolo
最新发布
03-10
Incorporating multi-head latent attention mechanisms into the YOLO object detection framework enhances feature extraction and context understanding within images. This approach allows for more robust ...
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