【论文阅读】【三维目标检测】AFDet: Anchor Free One Stage 3D Object Detection

最新推荐文章于 2022-12-28 22:05:56 发布
原创 最新推荐文章于 2022-12-28 22:05:56 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。

AFDet是基于PointPillar的无锚点三维目标检测网络，其结构与CenterPoint相似。它使用高斯核半径增大的方法处理小物体的heatmap目标，并且在offset预测上采用连续值和误差纠正。AFDet的heatmap目标生成与CenterPoint不同，采用物体内部点与中心距离的反比。在Pillar设置上，AFDet为[0.16m, 0.16m]，而CenterPoint在Waymo上为[0.32m, 0.32m]。" 115396135,4993831,理解与使用Source Map,"['javascript', 'webpack', '调试', '开发工具']

这里写自定义目录标题

本文也是使用anchor free的方式来做object detection的，网络结构看下来和CenterPoint很像。

AFDet

Backbone & Neck

使用PointPillar的方式构建backbone，但是只进行了一次stride=2的conv，然后又upsample，所以backbone输出的特征图的分辨率和输入的分辨率是一样的。

对于KITTI数据集，pillar的尺寸时[0.16m, 0.16m]

在这里插入图片描述

Head

从网络结构上看，就是标准的anchor free的head，和CenterNet，CenterPoint差不多。

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
论文速读系列四：Cross-Modality、CT3D、Pyramid R-CNN、VoTr、AFDetV2
Clichong
12-10 939
**为什么需要second stage**？根据之前工作的经验，second stage可以提升网络性能，原因有以下2个：1）原始点特征可以恢复损失的位置信息；2）分类和边界框回归是通过2个独立的分支完成的，会带来不对齐的问题。 但是，近来有工作证明，就算没有原始点云信息做second stage的refine，依靠voxel特征依然可以取得不错的性能。通过大量的实验，**作者发现first stage已经足以得到精确的bbox定位，second stage的贡献主要源于分类得分的提高，这一发现也和分类-定
【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
【3D 目标检测】AFDet V2：1st Place Solutions to the Real-time 3D Detection and the Most Effificient Model
qq_36380978的博客
10-10 1433
一 核心思路 AFDetV2承接AFDet的一大续作，是Waymo2021的冠军。与V1版本不同的地方主要在于：精简的3Dfeatureextractor、一种improvedRPN、新增的两个detecthead(分别为IoU-awareconfidencescoreprediction和Keypointsauxiliarysupervision)。具体算法流程见下图所示: 所有的步骤分为:pointCloudVoxelization、3DFeatureExtractor...
【论文阅读】【三维目标检测】Object as Hotspots: An Anchor-Free 3D Object Detection Approach via Firing of Hotspots
麒麒哈尔的博客
02-15 1741
文章目录HotSpot NetworkHotSpotNetworkAnchor FreeQuadrant ClassificationExperiments 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...
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。
【3D目标检测】SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation
可乐大牛的博客
12-28 1125
本文是基于单目图像的3D目标检测方法。以往的3D目标检测方法中都会有一个子网络，通过2D目标检测产生2D候选框，然后通过2D候选框去学习3D信息或者得到伪点云送入基于点云的网络中。而这种基于2D目标检测的方法会存在一些问题，如冗余。因为3D信息+内参矩阵可以直接拿到2D信息。引入噪声。添加了2D目标检测子网络之后，整个流程就分阶段了，前一阶段会引入持续的噪声，导致后一阶段学习3D特征变得困难。而为了解决这个问题，又有了很多的研究，但不管怎么说，多阶段的方法都会导致性能的降低。
FCOS:Fully Convolutional One-stage Object Detection论文阅读笔记
风行
11-09 644
（一）Title FCOS论文阅读笔记 （二）Summary 本文提出一种fully convolutional one-stage object detector(FCOS)，以每像素预测（per-pixel prediction）的方式解决目标检测，类似于语义分割。 几乎所有的state-of-the-art object detectors，如RetinaNet、SSD、YOLOv3和Faster R-CNN，都依赖于pre-defined anchor boxes。相比之下，我们论文中提出的
论文笔记：FCOS: Fully Convolutional One-Stage Object Detection
upup
06-20 515
一、基本信息 标题：FCOS: Fully Convolutional One-Stage Object Detection 时间：2019 论文领域：目标检测、深度学习 引用格式：Tian Z, Shen C, Chen H, et al. Fcos: Fully convolutional one-stage object detection[C]//Proceedings of the IEEE International Conference on Computer Vision. 2019: 96
[Paper Reading-3d] AFDetV2: Real-Time Anchor-Free Single-Stage 3D Detection with IoU-Awareness
Mao_Jonah的博客
10-27 1607
Paper: https://arxiv.org/abs/2107.14342 TL;DR 地平线在Waymo自动驾驶挑战赛2020中方法(AFDet)的升级版-AFDetv2。模型是one-stage,anchor-free的，在保证速度的同时有一个较好的精度。本文方法集成了较多的东西，比较工程，在模型、训练、硬件方面都做了优化。 Dataset/Algorithm/Model/Experiment Detail 模型结构如下图： 首先点云voxelization，这一步文章利用了GPU进行优化，提高了
1、CenterPoint: Center-based 3D Object Detection and Tracking 环境配置
“知识最大的敌人不是无知，而是错觉”
05-14 2937
文章目录Introduction环境配置Anaconda安装配置 Introduction 这篇文章刚刚被CVPR2021收录，利用鸟瞰图中物体的中心点来进行三维目标检测与跟踪。 使用的数据集是nuScenes和Waymo，是更具有挑战性的3D目标检测数据集。 stage 1： CenterPoint首先利用基于keypoint的检测器来检测物体的中心，并回归出其他属性，包括3D size，3D orientation，和速度。 stage 2：refine the estimates result，利用
AFDetV2：重新思考点云检测方法中第二阶段检测器的必要性(CVPR2021)
3D视觉工坊
03-03 1372
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨paopaoslam来源丨泡泡机器人SLAM标　题：AFDetV2: Rethinking the Necessity of ...
Center-based 3D Object Detection and Tracking 论文阅读笔记
ko_gu_dao的博客
04-23 4414
Abstract 三维对象检测通常用长方体来进行表示，3D世界中的对象不遵循任何特定的方向，基于长方体的检测器难以枚举所有方向或将轴对齐的边界框适合旋转的对象。所以提出模型CenterPoint。第一个阶段是使用关键点进行**检测** 和 **回归**；第二阶段是 **修正** ；在CenterPoint中，3D对象跟踪简化为 **贪婪的最近点匹配****。模型取得好的效果。 Introduce 现在面临的挑战有3个：1）点云稀疏性，造成许多3D物体没有测量值；2）生...
地平线机器人提出Anchor free、NMS free的3D目标检测算法 | CVPR2020 Workshop
AI算法修炼营的博客
06-25 1378
点击上方“AI算法修炼营”，选择“星标”公众号精选作品，第一时间送达这是一篇由地平线机器人发表在CVPR2020 Workshop的文章，主要是将Anchor Free的思想应用于3D目...
AAAI22参会见闻与论文杂谈
DeepRoute_Lab的博客
04-08 942
主要和大家分享的是今年2月底参加的AAAI22的一些见闻以及一些感兴趣的论文杂谈。
三维目标检测新SOTA---ADFDetV2论文解读
twn29004的博客
12-30 1839
问题 本文提出了一种单阶段的三维目标检测算法，并在文中分析了二阶段三维目标检测算法的不必要性。其所提算法在waymo实时目标检测竞赛中取得了第一的成绩。其性能超过了所有单阶段和多阶段的目标检测算法。 作者首先分析了二阶段目标检测算法主要有两个作用，一是二阶段中逐点的特征可能能够在一定程度上恢复因为前期的体素化，卷积的步长和感受野的缺乏带来的信息损失。另一个原因是因为分类和回归这两个独立的分支可能在一定程度上不能对齐，因此需要一个二阶段的网络来进行调整。 对于逐点的特征能够在一定程度上恢复因一系列操作带来的
Waymo 2020 | 2D/3D目标检测、跟踪和域自适应性冠军解决方案解析
Paper weekly
07-03 3024
©PaperWeekly 原创 ·作者｜黄飘学校｜华中科技大学硕士研究方向｜多目标跟踪随着最近 Waymo Open Dataset Challenges 2020 的落幕，其中关于 ...
超越所有Anchor-free方法！PP-YOLOE-R：一种高效的目标检测网络
CV_Autobot的博客
12-03 3457
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群后台回复【PPYOLO】获取论文、代码等更多资料！超越所有Anchor-free方法！PP-YOLOE-R：一种高效的目标检测网络PP-YOLOE-R是基于PP-YOLOE的高效anchor-free旋转目标检测器，作者在PP-YOLOE-R中引入了一系列有用的技巧，以提高检测精度，同时减...
评论
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