【论文阅读】【三维目标检测】Object as Hotspots: An Anchor-Free 3D Object Detection Approach via Firing of Hotspots

HotSpot网络：无锚点3D对象检测新方法
最新推荐文章于 2025-09-28 10:54:40 发布
原创 最新推荐文章于 2025-09-28 10:54:40 发布 · 1.7k 阅读 · 4 ·
CC 4.0 BY-SA版权
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。

本文介绍了一种名为HotSpot Network的3D对象检测方法，该方法采用无锚点的方式，通过识别场景中的热点（HotSpot）进行对象检测。HotSpot Network将场景体素化，并利用每个热点预测边界框，再通过非极大值抑制去除冗余预测。网络结构类似PointRCNN的RPN，但避免了锚点的使用。此外，实验表明Quadrant Classification的四象限分类监督有助于提高检测性能。

文章目录

2019.12.30挂到arxiv上
三星，约翰霍普金斯大学和南方科大出品

本文提出了一种使用Hotspot的方法来检测3D Object，在回归3D Object的参数时，使用了Anchor Free的方法。

HotSpot Network

HotSpot

先来介绍一下什么叫HotSpot：把场景首先用Voxel表示，那些属于前景的Voxel就是HotSpot。然后使用每个HotSpot预测一个box，使用NMS除去重复的预测。所以，看出HotSpot Network与PointRCNN中的RPN的联系之处了吗？HotSpot Network将场景体素化，如果将体素化之后的场景认为是将不规律的点云转换成一种规律的点云（将体素的中心看作为点，这个在PartA 2 ^2

最低0.47元/天 解锁文章
论文阅读笔记 | 三维目标检测——VoxelRCNN算法
Clichong
11-25 2353
现有很多的point-based检测器获得比较好的效果，精确度要比voxel-based检测器要好，为此不少观点认为原始点云中的精确位置信息对于精确的目标定位是至关重要的。VoxelRCNN的动机就是能否保持voxel-based方法速度优势下，获取与point-based方法相当的性能，希望在准确性和效率之间取得平衡。作者通过实验分析，发现现有voxel-based方法的主要缺点是将3d特征体转换为BEV表示，而从未恢复3D结构上下文，这样就找到了需要提高的方向。对于voxel-based的方法，BEV表
【3D 目标检测】AFDet: Anchor Free One Stage 3D Object Detection
qq_36380978的博客
09-29 1252
一 核心思路 本文也是在Waymo上的2020年排名第一的方法，是One-stage的3D detection的方法。主要是将point cloud映射到voxel的网格中，文章用到的映射方法为PointPillar，然后通过5个head分别预测物体不同的特征，最后进行回归预测得出最终的预测结果。总体思路见下图所示: 二 核心步骤 作者将本文的算法框架分为三个方面:point cloud encoder、backbone and necks和anchor free detector。 2.1 P
论文阅读笔记：(2021.06, cvpr) Monocular 3D Object Detection: An Extrinsic Parameter Free Approach
chaoqinyou的博客
02-04 3105
这是一篇发表在了cvpr 2021上，能够在线估计外参的单目3D目标检测算法。 paper:https://openaccess.thecvf.com/content/CVPR2021/papers/Zhou_Monocular_3D_Object_Detection_An_Extrinsic_Parameter_Free_Approach_CVPR_2021_paper.pdfhttps://openaccess.thecvf.com/content/CVPR2021/papers/Zhou_Mon
PointNet - 基于点云的3D分类与分割深度学习框架
最新发布
AI工程化、开源分享、文档翻译、代码笔记
09-28 404
一、关于 PointNet 1、项目概览 2、相关链接资源 3、功能特性 二、安装配置 三、使用示例 1、模型训练 2、结果可视化 3、部件分割 四、衍生项目 五、参考文献
【论文阅读】【三维目标检测】AFDet: Anchor Free One Stage 3D Object Detection
麒麒哈尔的博客
06-28 1765
这里写自定义目录标题 AFDet AFDet与CenterPoint的区别
【文章阅读】Object as Hotspots
有所为，有所成长
04-07 998
Brief   目前二维上的anchorfree的方法已经发展了有几年了，但是在三维检测中目前还没有关注到一个比较好实验效果的anchor-free方法（我目前还没看到吧），这一篇是我在arxiv上2020年元旦左右考试后看到的一篇，提目就很有意思，Object as Hotspots: An Anchor-Free 3D Object Detection Approach via Firing ...
AFDet: Anchor Free One Stage 3D Object Detection
小鹏AI
12-13 660
在推理阶段，使用最大池化和and操作来寻找在CenterNet之后的预测heatmap中的峰值，这比基于iou的NMS更快、更有效。在这项工作中，作者提出了一种具有简单后处理的Anchor-Free和无NMS的单阶段端到端点云3D目标检测器（AFDet）首先，它用于消除由pillar化过程引起的误差，在pillar化过程中，将浮动目标中心分配给BEV中的整数pillar位置。使用L1损失直接回归z值。在作者的实验中，使用PointPillars将整个点云编码为鸟瞰图（BEV）中的伪图像或类似图像的特征图。
svg-hotspots:SVG 热点
07-09
在svg-hotspots-master这个压缩包中，可能包含了以下内容： - `index.html`: 主页面，展示了如何使用该项目的示例。 - `style.css`: CSS样式文件，用于控制SVG元素和热点的外观。 - `script.js`: JavaScript文件，...
目标检测经典论文——YOLO论文翻译：You Only Look Once: Unified, Real-Time Object Detection（YOLO：统一的实时目标检测）
bigcindy的博客
07-30 4785
You Only Look Once: Unified, Real-Time Object Detection YOLO：统一的实时目标检测 Joseph Redmon*, Santosh Divvala*†, Ross Girshick¶, Ali Farhadi*† University of Washington*, Allen Institute for AI†, Facebook AI Research¶ http://pjreddie.com/yolo/ ...
[论文阅读]centerpoint——基于Center的三维目标检测与跟踪
qq_53909832的博客
09-14 1万+
centerpoint论文阅读
3D目标检测论文方法汇总 【持续更新中~
家鸽的代码屋
05-31 8184
Automanous-3D-detection-methods 该项目地址为：https://github.com/LittleYuanzi/awesome-Automanous-3D-detection-methods 该项目主要在对近期（17年）开始的自动驾驶场景的目标检测...
复现 MonoEF：Monocular 3D Object Detection: An Extrinsic Parameter Free Approach
beneficial的博客
07-14 1142
复现 MonoEF：Monocular 3D Object Detection: An Extrinsic Parameter Free Approach 时间：2022年7月13日代码连接： https://github.com/ZhouYunsong-SJTU/MonoEF环境：环境与代码中要求的环境一样。 这里pytorch版本1.3.1为什么用这么低的？原因：因为代码中用到了DCN模块，DCN模块需要这么低的pytorch版本。如果要用高版本的pytorch，DCN模块要自己找最新的，然后安装新版的
hotspot3d：3D热点突变接近度分析工具
02-05
hotspot3d：3D热点突变接近度分析工具
Anchor-free Object Detection - 13 papers
LJ的博客
11-06 658
1/2 stages: 单步法的历史中从SSD和YOLO-2开始引入锚框(anchor box)，而两步法直到Faster RCNN才开始采用“锚”的想法。 Anchor: 固定的参考框，使得训练时可以预设一组不同尺度不同位置的锚框，覆盖几乎所有位置和尺度， 每个锚框负责检测与其区域交叉比(intersection over union, IOU)大于阈值的目标，这样问题就转换为"这个锚框中有...
Anchor-free Object Detector综述(不定时更新)
Matthew技术小站
04-29 4940
DenseBox (2015) (https://arxiv.org/abs/1509.04874) densebox最早提出来是用来检测人脸的, 其有两个主要贡献, 第一是提出使用一个完整的FCN来预测box而不需要预先的proposal, 而且是end2end的训练过程; 第二是提出了用目标上已有的关键点信息来辅助box的定位. 为了节省训练时间, densebox没有直接把一整张图片都丢进...
3D目标检测集合
unbekannten的博客
11-22 1205
3D目标检测论文及代码集合
3D Object Detection简单介绍
百年孤独百年的博客
06-11 1832
3D Object Detection 是计算机视觉领域中的一项重要任务，它的目标是在三维点云数据中检测出场景中的物体，并估计它们的位置、姿态、大小等信息。在本教程中，我们将介绍 3D Object Detection 的基本原理、常用的数据集、算法和工具，以及如何使用它们进行目标检测。
3d目标检测
热门推荐
记录老板的每次pua，分享领导每天的毒鸡汤...
04-15 2万+
3D数据的类型 点云（根据激光雷达得到的数据） 深度图像？ 3D mesh voxel 体素
ECCV 2020 3D点云 Point Cloud 文章汇总
成长的竹
08-27 4273
一、点云文章资源 近年来，对于点云处理的研究越来越火热。Github上面有一个工程，汇总了从2017年以来各大会议上点云论文，awesome-point-cloud-analysis ,本文作者之前整理了CVPR 2020 中的点云论文。 本文主要整理ECCV2020中的点云相关论文，总共70多篇，供大家查阅。 二、ECCV 2020 点云文章汇总 点云分析 A Closer Look at Local Aggregation Operators in Point Cloud Analysis 点云分割
V2I-Coop: Accurate Object Detection for Connected Automated Vehicles At Accident Black Spots With V2I Cross-Modality Cooperation
02-27
### V2I合作模式下的准确目标检测方法 在V2I（Vehicle-to-Infrastructure）合作模式下，为了实现连接自动化车辆在事故黑点进行准确的目标检测，通常采用跨模态协作的方式。这种方法通过融合来自不同传感器的数据来提高检测精度。 #### 跨模态数据融合的重要性 多源异构感知设备能够提供丰富的环境信息[^1]。这些设备包括但不限于摄像头、激光雷达(LiDAR)以及毫米波雷达(RADAR)，它们各自具有不同的优势和局限性。例如： - **视觉传感器**：可以捕捉详细的图像特征，但在恶劣天气条件下性能下降； - **LiDAR**：不受光照条件影响，能精确测量距离，不过成本较高且分辨率相对较低； - **RADAR**：擅长于运动物体的速度估计，在雨雪环境中表现良好； 因此，利用多种类型的传感技术并将其有效集成是提升复杂场景理解能力的关键所在。 #### 数据预处理与同步 对于收集到的不同类型原始观测值，需先经过一系列预处理操作以确保后续分析的有效性和准确性。这涉及时间戳校准、坐标系转换等步骤，使得各路输入能够在统一框架内协同工作。 ```python def preprocess_data(sensor_readings, timestamp_alignment=True): """ 对不同类型传感器读数执行必要的预处理 参数: sensor_readings (dict): 各种传感器采集的数据集合 timestamp_alignment (bool): 是否启用时间戳对齐，默认开启 返回: processed_data (list of tuples): 经过处理后的综合观测记录列表 """ # 时间戳对齐逻辑... aligned_timestamps = align_timestamps(sensor_readings) if timestamp_alignment else None # 坐标变换及其他必要调整... transformed_coordinates = transform_to_common_frame(sensor_readings) return list(zip(aligned_timestamps or [], transformed_coordinates)) ``` #### 特征提取与表示学习 基于上述准备好的高质量多模态样本集，下一步便是从中抽取有助于区分前景对象特性的高层次抽象描述子。此过程往往借助深度神经网络模型完成，特别是那些专为特定任务定制设计的架构，比如Faster R-CNN 或者 YOLO系列算法变体。 #### 结果评估与反馈优化 最后，针对所获得预测结果的质量进行全面评测，并据此不断迭代改进整个流程中的各个环节直至满足预期指标为止。值得注意的是，实际部署过程中还需考虑实时响应速度的要求，从而选取最适合应用场景的技术方案。
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