【论文阅读】【三维目标检测】3DSSD: Point-based 3D Single Stage Object Detector

最新推荐文章于 2025-09-04 16:22:37 发布
原创 最新推荐文章于 2025-09-04 16:22:37 发布 · 3.8k 阅读 · 5 ·
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。
文章标签：

#深度学习

3DSSD是香港中文大学和香港科技大学贾佳亚团队在2020CVPR发表的工作，提出F-FPS策略增加前景点采样，结合D-FPS获取更多负样本。它在框架中使用类似VoteNet的CG Layer，并引入中心度得分以提高检测精度。实验在KITTI和nuScenes数据集上表现良好，通过Ablation Study验证了关键组件的效果。

文章目录

香港中文大学，香港科技大学出品，贾佳亚团队
2020CVPR

3DSSD

F-FPS

这是我认为本文最重要的一个贡献，该贡献解决了前景点采样点（representative points）少的问题。解决方式也很巧妙，在FPS的过程中，除了使用点与点之间的距离，还加入了feature与feature的距离。该方式的加入使得采样点中前景点的数量更多了。具体效果也在Table 2中做了比较。

值得注意的一点是，作者并没有完全使用F-FPS，而是使用了D-FPS与F-FPS的结合，两者均取一些点，然后将两者采样的点合起来。这样做是为了在训练过程中引入足够的负样本。

Framework

如果读过VoteNet这篇论文，可以发现CG Layer与VoteNet中的很像。VoteNet的详细解读可以参考我的另外两篇博客[1][2]。

Loss中也是与VoteNet很像，新的部分是使用了center-ness score，center-ness score文中说是参考了2D Object Detection中FCOS。如果看FCOS，可以看到这个的center-ness score与FCOS中的确实很像，只不过是由2维度变成了3维。

Experiment

在KITTI和nuScenes数据集上都做了实验，效果还不错

Ablation Study分别验证了

  • F-FPS与D-FPS结合的有效性
  • CG Layer的有效性
  • Center-ne
最低0.47元/天 解锁文章
论文阅读笔记 | 三维目标检测——3DSSD
Clichong
11-15 1318
两阶段的3d检测网络一般包含upsample layer进行特征回传进一步提取全局point-wise特征，以及需要一个修正阶段（refinement stage）来对候选框进行微调，这两个步骤极大的耗费时间，同时让网络结构变得复杂。3D-SSD的目的就是为了进一步减少推理时间，抛弃这种PF layers以及refinement stage，只利用backbone进行下采样的特征提取来完成检测任务。此外，作为one-stage的检测算法，采用anchor-free+centerness的方式，3D-SSD极
3DSSD:基于点云的single-stage物体检测模型 | CVPR2020
3D视觉工坊
04-11 2204
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达前言这是一篇来自CVPR2020的研究工作，于2020/4/9日开源，如下图所示，目前被接收的文章有在KITTI上的有四篇，分别是...
【点云目标检测】3DSSD:Point-based 3D Single Stage Object Detector
qq_35632833的博客
04-27 4722
文章目录一. AbstructVoxel-base 方法的缺点Point-base 方法的缺点二. PV-CNNVoxel-Based Feature AggregationPoint-Based Feature TransformationFeature Fusion三. 实验效果Object Part Segmentation Visualization四. 结论 论文链接：3DSSD 代码...
3DSSD: Point-based 3D Single Stage Object Detector （阅读笔记）
rianHyh
01-08 932
3DSSD文章贡献模型介绍混合采样(Fusion Sampling)设计动机挑战Feature-FPSFusion Sampling回归框预测网络Anchor-free 回归头中心类别分配策略(3D Center-ness Assignment Strategy)Loss Function实验部分数据增强消融实验 文章贡献 提出了一种基于点的轻量化、高效的三维单级目标检测器，命名为3DSSD。去掉了所有现有的基于点的方法中必不可少的FP层和细化模块，从而大大减少了框架的推理时间。 提出了一种新的SA层融合
【3D 入门-6】大白话解释 SDF(Signed Distance Field) 和 Marching Cube 算法
最新发布
weixin_44212848的博客
09-04 1356
1. 基础概念SDF是一种描述空间中每个点与某个形状距离的数学工具。对于空间中的任意一点，SDF会计算它到某个物体表面的最短距离，并且用“正负号”表示点在物体的内部还是外部：如果点在物体外部，距离为正数；如果点在物体内部，距离为负数；如果点正好在物体表面上，距离为0。举个例子比如一个半径为1的球体，球心在原点（0,0,0）。SDFPx2y2z2−1SDFPx2y2z2​−1当P在球外时（比如(2,0,0)），距离是2-1=1（正数）；
[CVPR 2020] 3DSSD: Point-based 3D Single Stage Object Detector
zhulf0804的博客
06-02 1009
当前, 有很多voxel-based的单阶段3D检测器, 然而point-based的单阶段3D检测器仍处于探索中。本文中, 我们第一个提出了一个轻量级的, 高效的point-based的单阶段检测器 (3DSSD), 并在精度和效率方面取得了一个很好的平衡。在这种范式中, 丢弃了现有point-based方法中不可或缺的upsampling layers和refinement stage, 以减少大量的计算成本。我们新颖地提出了用于下采样流程的混合采样策略, 以实现在更少的点上进行检测。为了满足精度和速度
论文总结--3DSSD: Point-based 3D Single Stage Object Detector
m0_60799447的博客
11-11 793
3DSSD 是一种轻量化且高效的基于点的3D单阶段物体检测框架。与现有的基于点的方法不同，3DSSD 通过引入一种创新的采样策略来移除传统方法中的上采样层（FP层）和精细化模块，显著提高了检测速度，并在多个数据集上取得了优异的表现。3DSSD 的框架包含以下几个主要模块：在降采样过程中，使用基于特征距离的采样策略（F-FPS），并结合传统的最远点采样（D-FPS），从而保留更多有代表性的前景点，减少了背景点的影响。这种方法有效地提高了目标检测的性能，并避免了传统采样方法中出现的有用点丢失问题。采样方法的公式
【3D 目标检测】3DSSD: Point-based 3D Single Stage Object Detector
qq_36380978的博客
09-14 1408
一 核心思路 本篇通过观察point-based目标检测方法中，在PointNet++的上采样层(FP层)和refinement Module上面耗费了大量时间，因此作者借此提出了one-stage的3D目标检测网络结构。创新点是提出了F-FPS的采样算法、Candidate Generation Layer、anchor-free regression head以及3D center-ness assignment strategy。F-FPS算法主要是为了增加采样的质量，采样出更多前景点；Candia
【阅读记录】3DSSD:Point-based 3D Single Stage Object Detector
qq_43269093的博客
10-23 631
前情提要 在目前的三维目标检测任务中，大致分为单阶段和双阶段的网络。双阶段网络可以依靠pointnet++这样的网络得到的语义信息提供更加精确的结果。单阶段网络虽然具备了快速的优点，但是由于在道路环境下点的数量庞大，大部分的方案都是采用了将点云数据转换为其他数据形式的方式进行训练。这样不可避免的会损失部分的特征信息。 简介 文章提出了一中轻量级的基于点的单阶段网络，并且使用了anchor-free的方法产生最终的结果。 1.Fusion Sampling 为了对原始点云进行采样处理，文章中采用了Point
3DSSD：基于点的3D单阶段对象检测器教程
gitblog_00495的博客
08-16 915
3DSSD：基于点的3D单阶段对象检测器教程 1. 项目介绍 3DSSD（Point-based 3D Single Stage Object Detector）是CVPR 2020年的一个重要贡献，由Zetong Yang等作者提出。它是一款轻量级且高效力的点云基础的3D单阶段目标检测器，旨在在精度与效率之间取得良好平衡。与众不同的是，该方法省去了现有所有点云基础方法中必需的上采样层和细化阶段，...
探索未来：3DSSD——高效且精确的3D物体检测器
gitblog_00751的博客
08-18 457
探索未来：3DSSD——高效且精确的3D物体检测器 在计算机视觉领域，3D物体检测一直是研究的热点。随着自动驾驶、增强现实等技术的快速发展，对高效、准确的3D物体检测技术的需求日益增长。今天，我们将介绍一个在CVPR 2020上获得口头报告的杰出项目——3DSSD，这是一个基于点的3D单阶段物体检测器，它以其卓越的性能和速度，正在重新定义3D物体检测的标准。 项目介绍 3DSSD，全称为Point...
【三维目标检测】3DSSD（一）
叶子的博客
07-27 6617
3DSSD模型相关的神经网络模型主要包括SSD（二维目标检测）、PointNet、PointNet++和VoteNet等。在这几个模型的基础上，3DSSD网络结构可以很好地被理解。其中，PointNet和PointNet++在本专栏的之前博文里均有详细介绍，VoteNet部分后续在进行补充。3DSSD网络模型总体结构如下图所示，主要包含backbone、CandidateGenerationLayer和PredictionHead三个部分。......
【3D 目标检测】Not All Points Are Equal Learning Highly Efficient Point-based Detectors for 3D LiDAR Point
qq_36380978的博客
05-17 1265
Not All Points Are Equal Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Cloud 一 核心思想 为了降低内存和计算成本，现有的基于point的pipeline通常采用随机采样或FPS采样来逐步下采样输入点云，尽管并非所有的点对目标检测任务都同等重要。特别是，前景点在本质上比背景点对目标探测器更重要。基于此，本文提出了一种高效的single-stagepoint-based 3Ddetec..
解读：Structure Aware Single-stage 3D Object Detection from Point Cloud
weixin_42608406的博客
10-22 892
文章目录1.前言2.摘要3.Introduction4.网络结构4.1.Backbone and detection networks4.2.Detachable auxiliary network4.3.Part-sensitive warping4.4.Loss 1.前言 从点云数据检测3D对象在自动驾驶中起着至关重要的作用。通过以完全卷积的方式逐步缩小3D点云的尺寸，当前的单级检测器非常有效。但是，缩小的特征不可避免地会丢失空间信息，并且无法充分利用3D点云的结构信息，从而降低了其定位精度。 2.摘
论文总结--Structure Aware Single-stage 3D Object Detection from Point Cloud
m0_60799447的博客
11-11 679
Structure Aware Single-Stage 3D Object Detection from Point Cloud 提出了一个基于点云的结构感知单阶段3D物体检测方法，旨在提高3D物体检测的定位精度。以下是该论文中的关键方法部分的总结，特别是模块和公式。该方法主要包含以下三个子网络：为了提高检测精度，辅助网络通过两种任务引导骨干网络更好地理解点云的结构信息：这些辅助任务在训练阶段与骨干网络一起优化，经过训练后，辅助网络可以被移除，因此在推理阶段不会增加额外的计算负担。公式1表示了点级特征表示
【论文阅读】【三维目标检测】Structure Aware Single-stage 3D Object Detection from Point Cloud
麒麒哈尔的博客
04-12 4738
文章目录SASSDmotivationFrameworkAuxiliary NetworkPS WarpExperiment思考Point和Voxel的结合之作PSwarp将one stage和two stage的方法联系起来 香港理工大学和阿里巴巴达摩院出品，之前听说阿里的团队检测KITTI排第一，可能就是这篇文章吧。 如果对2D Object Detection有一定了解，其实本文读起来还是比...
【3D 目标检测】Structure Aware Single-stage 3D Object Detection from Point Cloud
qq_36380978的博客
12-19 689
一 核心思想 本文的核心思想是使用一个辅助的分支帮助主干网络进行训练；除此之外，本文还提出PSWarp的架构，将预测的BBox和Cls进行联立，具体的Motivation见下述。 不过本人认为该辅助分支与PVRCNN网络架构中的VoxelSetAbstractionModule非常相似，都是将Voxel的features映射到samplepoint中，然后concatenate一下得出samplepoint的特征。 将samplepoint的特征输入到另一个detector中，得到fore...
Structure Aware single-stage 3D Object Detection from Point Cloud
dydwl的博客
01-14 546
声明 摘要 当前的单级检测器通过以完全卷积的方式逐步缩小3D点云的尺度是有效的。 然而，缩小后的特征不可避免的丢失了空间信息，不能充分利用三维点云的结构信息，降低了其定位的精度。 本文中，建议通过，明确利用三维点云的结构信息来提高单级检测器的定位精度。 设计了一个辅助网络，将主干网络中的卷积特征转换回点级表示。辅助网络通过两个点级监督进行联合优化。辅助网络可以在训练后分离，因此在推理阶段不引入额外的计算。 考虑到单级检测器存在预测边界框与相应分类置信度之间的不一致性，开发了一种有效的lpart-sensit
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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