【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 2022-12-13 10:31:14 发布
最新推荐文章于 2022-12-13 10:31:14 发布
阅读量1.7k 收藏 4
点赞数 3
CC 4.0 BY-SA版权
分类专栏： 论文阅读
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/wqwqqwqw1231/article/details/118157366
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']

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

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

200万优质内容无限畅学
论文阅读笔记 | 三维目标检测——VoxelRCNN算法
Clichong
11-25 2208
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
论文阅读笔记 | 三维目标检测——PartA2算法
Clichong
11-25 1844
PointRCNN中发现了基于点云的3d目标中相比2d检测有一个与生俱来的优势，就是3d的标注框不仅提供了检测的目标框，同时还提供语义分割的前景点（也就是目标框中的点）。**在PartA2中，作者进一步发现了我们不仅可以获得需要检测的标注框及其包括的前景点，我们还可以获得每个前景点在标注框中的空间分布信息，或者说是每个前景点在标注框内的相对位置信息**。在现有的研究下，其实并没有完全的将3d标注框的信息完全利用上，这种前景点在标注框的分布信息是有利于提高3d检测网络的性能的。
【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 1707
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
12-13 616
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】AFDet: Anchor Free One Stage 3D Object Detection
qq_36380978的博客
09-29 1176
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 1396
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...
【3D目标检测】PIXOR: Real-time 3D Object Detection from Point Clouds解读
毛毛的博客
03-16 1592
文章目录前言摘要1. 介绍2.相关工作3. 框架4 结果总结 前言 1. 为什么要做这个研究？ 2. 实验方法是什么样的？ 3. 得到了什么结果？ 摘要 作者解决了自动驾驶环境下直接从点云进行实时3D目标检测的问题。通过鸟瞰图(BEV)表示场景，可以更加有效地利用3D数据，并提出了PIXOR，一种无候选框的one-stage检测器。PIXOR能够在高精度和实时效率(10 FPS)之间取得平衡。 1. 介绍 3D目标检测使用的数据源包括RGB-D传感器得到的带有深度信息的图像和激光雷达得到的点云数据。雷达
【论文阅读】【三维目标检测】Center-based 3D Object Detection and Tracking
麒麒哈尔的博客
05-20 2359
文章目录IntroductionCenterPointExperiment CenterPoint，2021CVPR，刷榜nuScenes和Waymo数据集。 作者是与2D版的CenterNet是同样的，看来是一个组出来的文章。 从网络结构上看，本文就是将CenterNet用到了基于点云的三维目标检测问题上，但本文的出现也证明了，Anchor Free的这种方法应用在基于点云的三维目标检测任务中也是可行的。 Introduction CenterPoint这篇的Introduction细节地说明了该方法的想
FCOSR: A Simple Anchor-free Rotated Detector for Aerial Object Detection阅读笔记
风行
11-26 5868
(一) Title 论文地址:https://arxiv.org/abs/2111.10780 项目地址:https://github.com/lzh420202/FCOSR (二) Summary 研究背景: 现有的基于anchor-based方法的旋转框检测算法需要手动设置预设框,引入了额外的超参数和计算。基于anchor-free的方法通常具有复杂的体系结构,不容易部署。 本文方法: 本文提出了一个一阶段的带有角度旋转的检测框架FCOSR,一看就是基于FCOS架构,并且将二维高斯分布也引入进来
[Paper Reading-3d] AFDetV2: Real-Time Anchor-Free Single-Stage 3D Detection with IoU-Awareness
Mao_Jonah的博客
10-27 1581
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 2867
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 1246
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 ...
论文速读系列四：Cross-Modality、CT3D、Pyramid R-CNN、VoTr、AFDetV2
Clichong
12-10 866
**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
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 1342
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
04-08 893
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 1804
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 2972
©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 3314
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
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