Open DeepTecher opened 5 years ago
GS3D: An Efficient 3D Object Detection Framework for Autonomous Driving,3D目标检测
提交日期：2019-03-27 研究结构：香港中文大学、悉尼大学、商汤科技 作者：Buyu Li, Wanli Ouyang, Lu Sheng, Xingyu Zeng, Xiaogang Wang
摘要：我们在自动驾驶的场景中提出了基于单个RGB图像的高效3D对象检测框架。我们的工作是在2D图像中提取底层3D信息并确定对象的精确的3D边界框且没有点云或立体数据。利用现成的2D物体探测器，我们提出了一种巧妙的方法来有效地为每个预测的2D边框中获得粗长方体。粗长方体具有足够的精度来指导我们通过细化来确定对象的3D盒子。与先前仅使用从2D边界框提取的特征进行盒子细化的SOTA方法相比，我们通过使用可见表面的视觉特征来探索对象的3D结构信息。表面的新特征用于消除仅使用2D边界框带来的表示模糊的问题。此外，我们研究了3D边框细化的不同方法，并发现具有质量意识损失的分类公式具有比回归更好的性能。在KITTI基准测试中，我们的方法优于当前基于单个RGB图像的3D对象检测的最先进方法。
GS3D: An Efficient 3D Object Detection Framework for Autonomous Driving,3D目标检测
提交日期：2019-03-27 研究结构：香港中文大学、悉尼大学、商汤科技
作者：Buyu Li, Wanli Ouyang, Lu Sheng, Xingyu Zeng, Xiaogang Wang
摘要：我们在自动驾驶的场景中提出了基于单个RGB图像的高效3D对象检测框架。我们的工作是在2D图像中提取底层3D信息并确定对象的精确的3D边界框且没有点云或立体数据。利用现成的2D物体探测器，我们提出了一种巧妙的方法来有效地为每个预测的2D边框中获得粗长方体。粗长方体具有足够的精度来指导我们通过细化来确定对象的3D盒子。与先前仅使用从2D边界框提取的特征进行盒子细化的SOTA方法相比，我们通过使用可见表面的视觉特征来探索对象的3D结构信息。表面的新特征用于消除仅使用2D边界框带来的表示模糊的问题。此外，我们研究了3D边框细化的不同方法，并发现具有质量意识损失的分类公式具有比回归更好的性能。在KITTI基准测试中，我们的方法优于当前基于单个RGB图像的3D对象检测的最先进方法。