{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,3,4]]，“日期-时间”：“2024-03-04T22:09:21Z”，“时间戳”：1709590161000}，“参考-计数”：49，“发布者”：“PeerJ”，“许可证”：[{“开始”:{“日期-零件”：[2021,10,6]]，“时间”：”2021-10-06T00:00:00Z“，”timestamp“：1633478400000}，”content-version“：“unspecified”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“funder”：[{“name”：“胡志明城市科技大学”，“award”：[“To-KHMT-2020-03”]}]，”content-domain“：{“domain”：[]，”crossmark-restriction“：false}，”short-container-title“：[]”单目三维物体检测由于其成本效益和易于嵌入现有车辆，近年来在自动驾驶和导航应用中变得普遍。由于RGB图像中缺乏深度信息，单目视觉中最具挑战性的任务是估计可靠的目标位置。许多方法通过直接回归对象的深度或将深度图作为补充输入来增强模型的结果，从而解决了这一问题。然而，性能在很大程度上依赖于估计的深度图质量，这是对训练数据的偏差。在这项工作中，我们提出深度自适应卷积来代替传统的二维卷积来处理图像特征的发散上下文。这导致了训练收敛性和测试准确性的显著提高。其次，我们提出了一种在姿态估计过程中利用几何约束的地平面模型。使用GAC3D这一新方法，我们获得了更好的检测结果。我们在KITTI 3D目标检测基准上演示了我们的方法，该方法优于现有的单目方法<\/jats:p>“，”DOI“：”10.7717\/peerj cs.686“，”type“：”期刊文章“，”created“：｛”日期部分“：[[2021,10,6]]，”日期时间“：”2021-10-06T07:50:29Z“，”时间戳“：1633506629000｝，”page“：”e686“，”source“：”Crossref“，”由count引用“：5，”title“：[”GAC3D:使用地面引导模型和自适应卷积改进单目3D对象检测“]，”prefix“：”10.7717“，“卷”：“7”，“作者”：[{“给定”：“越南民权”，“家庭”：“布”，“序列”：“第一”，“隶属关系”：[}“名称”：“计算机科学与工程学院，越南胡志明市胡志明科技大学（HCMUT）”}，{“名称“：”越南国立大学胡志明城（VNU-HCM），越南胡志明城“}]}，“给定”Duc Tuan“，”family“：”Ngo“，”sequence“：”additional“，”affiliation“：[{”name“：”越南胡志明市胡志明工业大学（HCMUT）计算机科学与工程学院“}，{”name“：”越越胡志明市立大学（VNU-HCM）“}]}，”ORCID“：”http://\/ORCID.org\/00000-0002-5806-5910“，”authenticated-orcid“：true，”given“：”Hoang-Anh“，”family“：”Pham“，”sequence“：”additional“，”affiliation“：[{“name”：“越南胡志明市胡志明科技大学（HCMUT）计算机科学与工程学院”}，{“name”：“Vietnam National University Ho Chi Minh City，Vietnance胡志明”}]}，}“orcid”：“http:\/\/orcid.org\/00000-0001-7321-7401“，”authenticated-orcid“：true，”given“：”Duc Dung“，”family“：”Nguyen“，”sequence“：”additional“，”affiliation“：[{“name”：“越南胡志明市科技大学（HCMUT）计算机科学与工程学院”}，{“name”：“Vietnam National University Ho Chi Minh City（VNU-HCM），越南胡志明市“}]}”，“成员”：“4443”，“在线发布”：{“日期-部分”：[[2021,10,6]]}，“参考”：[{“密钥”：“10.7717\/peerj-cs.686\/ref-1”，“文章-标题”：“AdaBins:使用自适应箱子进行深度估计”，“作者”：“Bhat”，“年份”：“2020”}，{“关键字”：“107717\/peer j-cs.686\/ref-2”，“首页”：“929 86“，”文章标题“：”M3D-RPN：用于物体检测的单目3D区域建议网络，“author”：“Brazil”，“year”：“2019”}，{“key”：“10.7717\/peerj-cs.686\/ref-3”，“doi-asserted-by”：“crossref”，“article-title”：“monocular视频中的运动3D物体检测”，“auth:”“Brazile”，“年份”：“2020”，“doi”：“10.1007\/978-3-030-58592-1_9”}，{”key“：”10.7717\/peerj-cs.686/ref-4“，”article-title“：”无标准化的高性能大规模图像识别“，”author“：”Brock“，”year“：”2021“}，{“key”：“10.7717”\/peerj-cs.686 \/ref-5“，”first page“：”354“，”article-title““用于快速目标检测的统一多尺度深度卷积神经网络”，“volume-title”：“ECCV”，“author”：“Cai”，“year”：“2016”}10.7717\/peerj-cs.686\/ref-6“，”article-title“：”精确对象类检测的3D对象建议“，”volume-title”：“神经信息处理系统的进展”，“volume”：“28”，“author”：“Chen”，“year”：“2015”}，{“key”：”10.7717\/peerj-cs.686 \/ref-7“，”first page“：”12090“，”article-title“：”MonoPair:使用成对空间关系的单目3D对象检测”，“作者”：“Chen”，“年份”：“2020”｝，｛“密钥”：“10.7717\/peerj cs.686\/ref-8”，“第一页”：“4306”，“文章标题”：“用于单目3D对象检测的学习深度引导卷积”，“作者”：“Ding”，“年份”：“2020”｝，｛“问题”：“2”，“密钥”：“10.7717\/peerj cs.686\/ref-9”，“doi-asserted-by“：”publisher“，”first page“：”303“，”doi“：”10.1007\/s11263-009-0275-4“，”article-title“：”The Pascal visual object classes（VOC）challenge“，“volume”：“88”，“author”：“Everingham”，“year”：“2009”，“journal-title”：“International journal of Computer Vision”}，{“key”：”10.7717\/peerj-cs.686\/ref-10“，”第一页：“2002”，“article-title“”：”单目深度估计的深度有序回归网络”，“author”：“Fu”，“year”：“2018”}，{“key”：“10.7717\/peerj-cs.686\/ref-11”，”doi-asserted-by“：”crossref“，”article-title“：“Are we ready for autonomous driving？The KITTI vision benchmark suite”，“作者”：“Geiger”，“年份”：“2012”，“doi”：“10.1109\/CVPR.2012.6248074”}10.7717\/peerj-cs.686\/ref-12“，“doi-asserted-by”：“crossref”，“article-title”：“点云结构感知单阶段三维物体检测”，“author”：“他”，“年份”：“2020”，“doi”：“10.1109\/CVPR42600.2020.01189”}，{“key”：“10.7717\\peerj-cs.68”，“first page”：”2980“，”article-title“：”Mask R-CNN“，”author“：”他“，“年”：“2017”}，{“密钥”：“10.7717，“peerj-cs.686”，“first page”：“770”，“article-title”：“图像识别的深度剩余学习”，“author”：“He”，“year”：“2016”}，{“key”：《10.7717》10.7717\/peerj-cs.686\/ref-16“，“首页”：“25”，“article-title”：“ImageNet分类与深度卷积神经网络”，“author”：“Krizhevsky”，“year”：“2012”}，{“key”：“10.7717\/peerj-cs.686\/ref-17”，“doi-asserted-by”：“crossref”，“article-title”：“利用精确建议和形状重建进行单目三维物体检测”，“author”Ku“，”year“：“2019”，”DOI“：“10.1109\/CVPR.2019.01214”}，{“key”：“10.7717\/peerj-cs.686\/ref-18”，”article-title“：“半监督学习的时间集合”，”author“：”Laine“，”year“：”2017“}，”key“：”10.7717\/peerj-cs.686 \/ref-19“，来自点云”，“作者”：“Lang”，“year”：“2019”}，{“key”：“10.7717\/peerj-cs.686\/ref-20”，“article-title”：“从大到小：单目深度估计的多尺度局部平面制导”，“author”：“Lee”，“year”：《2020年》}，}，“key“：”10.7717\/peerj-cs.686 \/ref-21“，”first page“：“1019”，“article-tiple”：”GS3D：一种高效的自主驾驶三维物体检测框架“，”author“：”Li“，”year“：”2019“}，{“key”：“10.7717\/peerj-cs.686\/ref-22”，“article-title”：“嵌入几何约束和半监督训练的单目三维检测.KM3D”，“author”：“Li”，“year”：“2020”}，“key“：”10.7717\/peerj-cs.686\/ref-23“，“doi-asserted-by”：“crossref”，”first page“：“644”，“doi”：“10.1007\/978-3-030-58580-8_38“，”article-title“：”RTM3D:从\u00c2自动驾驶的对象关键点实时单目3D\u00c 2检测“，”volume-title”：“Computer Vision\u2013ECCV 2020”，“author”：“Li”，“year”：“2020”}，{“key”：“10.7717\/peerj-cs.686\/ref-24”，“doi-asserted-by”：“crossref”，”doi“10.1007\/978-3-19-10602-1_48”，“article-title”Microsoft COCO:common objects in context“，”volume-title“：”ECCV“，”author“：”Lin“，“year”：“2014”}，{“key”：“10.7717\/peerj-cs.686\/ref-25”，“first-page”：“1057”，“article-title”：“Deep fitting degree scoring network for monocular 3D object detection”，“author”：“Liu”，“year:”2019由“：”插入publisher”，“首页”：“919”，“DOI”：“10.1109\/LRA.202130524442”，“文章标题”：“用于自动驾驶的地面感知单目3D物体检测”，“卷”：“6”，“作者”：“Liu”，“年份”：“2021”，“期刊标题”：“IEEE机器人与自动化快报”}，｛“key”：“10.7717\/peerj cs.686\/ref-27”，“首页”：“4289”，“文章标题”：“SMOKE：通过关键点估计进行单阶段单目3D物体检测”，“author”：“Liu”，“year”：“2020”}，{“key”：“10.7717”\/peerj-cs.686 \/ref-28”，“doi-asserted-by”：“crossref”，“article-title”：“Rethinking pseudo-LiDAR representation”，“author”:“Ma”，\/ref-29“，”首页“：”6850“，“article-title”：“通过彩色嵌入三维重建实现自动驾驶的精确单目三维物体检测”，“author”：“Ma”，“year”：“2019”}，{“key”：“10.7717\/peerj-cs.686\/ref-30”，《first page》：“2064”，“artice-title“：“ROI-10D：二维检测的单目提升到6D姿势和公制形状”，“author”:“Manhardt”，”“year“：”2019“}”，{”key“：”10.7717\/peerj-cs.686\/ref-31“，“首页”：“61”，“文章-标题”：“Shift R-CNN:具有闭合形式几何约束的深单目三维物体检测”，“作者”：“奈登”，“年份”：“2019”}，{“键”：“10.7717\/peerj-cs.686 \/ref-3 2”，“首版”：“77”，“论文-标题”“PointNet:三维分类和分割点集的深度学习”，“作家”：“Qi”，“年份”：“2017a”}，{“key”：“10.7717\/peerj-cs.686\/ref-33”，“article-title”：“PointNet++：度量空间中点集的深层层次特征学习”，“author”：“Qi”、“year”：“201 7b”}、{“key”：”10.7717 \/peer j-cs.686\/ref-34“，”第一页“918”，“article-titel”：“Frustum PointNets for 3D object detection from RGB-D data”，“author”：“齐”，“年”：“2018”}，｛“key”：“10.7717\/peerj cs.686\/ref-35”，“文章标题”：“YOLOv3：一个渐进的改进”，“author”：“Redmon”，“year”：“2018”｝，｛“issue”：“6”，“key”：“10.7717\/peerj cs.686\/ref-36”，“doi asserted by”：“publisher”，“first page”：“1137”，“doi”：“10.1109\/TPAMI.2016.2577031”，“文章标题”：“更快的R-CNN：利用区域提议网络实现实时目标检测”，“卷”：“39”，“作者”：“任”，“年份”：“2015”，“期刊标题”：“IEEE模式分析和机器智能学报”}，{“关键”：“10.7717”peerj-cs.686”，“文章标题”：《单目三维目标检测的正交特征变换》，“作者“：“Roddick”，“年份”：“2019”}，{“key”：“10.7717\/peerj-cs.686\/ref-38”，“首页”：“10526”，“article-title”：“PV-RCNN:三维对象检测的点-盒特征集抽象”，“author”：“Shi”，“year”：“2020”}“”，“author”：“Shi”，“year”：“2019”，“DOI”：“10.1109\/CVPR.2019.00086”}，{“key”：“10.7717\/peerj-cs.686\/ref-40”，”DOI-asserted-by“：”publisher“，”first page“：”1“，”DOI“：”10.1109\/TPAMI.2020.3025077“，”article-title“：”Disentangling monocular 3D object detection：from single to multi-class recognition“，”author“：”Simonelli“，“year:”2020“”，“新闻标题”：“分离单眼3D物体检测：从单类到多类识别”}，{“key”：“10.7717\/peerj-cs.686\/ref-41”，“首页”：“4504”，“article-title”：“学习2D到3D提升，用于自动车辆的3D物体检测”，“author”：“Srivastava”，“year”：“2019”}，“article-title”：“像素自适应卷积神经网络”，“author”：“Su”，“year”：“2019”}，{“key”：“10.7717\/peerj-cs.686\/ref-43”，“first page”：”10778“，”article-title“：”EfficientDet:可扩展和高效的对象检测“，”author“：”Tan“，”year“：”2020“}，“key“：”10.7717\/peerj-cs.686 \/ref-4“，”doi-asserted-by“：”crossref“，”文章标题“：“用于3D物体检测的任务软件单目深度估计”，“作者”：“Wang”，“年份”：“2020”，“DOI”：“10.1609\/aaai.v34i07.6908”}，{“key”：“10.7717\/peerj-cs.686\/ref-45”，“首页”：“8437”，“文章标题”：“视觉深度估计中的伪LiDAR：弥补自动驾驶3D物体检测中的差距”，“作家”：“王”，“年度”：“2019”}、{“key”：“10.7717\/peerj-cs.686\/ref-46”，“首页”：“7652”，“article-title”：“PIXOR：从点云实时检测三维物体”，“author”：“Yang”，“year”：“2018”}，{“key”：“10.77 17\/pierj-cs.686\/ref-47”，“article-tiple”：”Pseudo-LiDAR++：自动驾驶中三维物体检测的准确深度“，”author：“You”，“年份”：“2020”}、{“key”：“10.7717\/peerj-cs.686\/ref-48”，“首页”：“2403”，“article-title”：“深层聚合”，“author”：“Yu”，“year”：“2018”}，{“key”：“10.77 17\/pierj-cs.686\/ref-49”，“article-title”：”对象为点“，”author“：”Zhou“，”year“：”2019“}]，“container-title“：[”peerj Computer Science“]，“original-title（原始标题）：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/peerj.com/articles\/cs-686.pdf”，“content-type”：“application\/pdf”、“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\/\-peerj.com\/articles\/cs-686.xml”，“内容类型”：“应用程序\/xml”、“内容-版本”：“vor”、“intended-application:”文本-mining“}”、{“URL”：“http://peerj.com\/articles \/cs-686.html“，“content-type”：“text\/html”，“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\/\/peerj.com/articles\/cs-686.pdf”，“内容类型”：“unspecified”，“content-version“：”vor“，”intended-application“：”similarity-checking“}]，“deposed”：{“date-parts”：[2023,1,11]]，“date-time”：”2023-01-11T05:12:38Z“，”timestamp“：1673413958000}，“score”：1，“resource”：{“primary”：{“URL”：“https:\/\/peerj.com/articles\/cs-686”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{-“date-parts”：[2021,10,6]}，”references-count“：49，”alternative-id“：[”10.7717\/peerej-cs.686“]，”URL“：”http://\/dx.doi.org\/10.7717\/peer j-cs.686“，“存档”：[“时钟”，“锁定”，“门廊”]，“关系”：{“has-review”：[{“id-type”：“doi”，“id”：“10.7287\/peerj-cs.686v0.1\/reviews\/3”，“asserted-by”：“object”}，{“id-type”：“doi”，“id“：”10.7287\/peerj-cs.686v0.1\/reviews\/2“，”asserted-by“：”object ISSN“：[”2376-5992“]，”ISSN-type“：[{”value“：”2376-6992“，”type“:”electronic“}]，”subject“：【】，”published“：{“日期部分”：[[2021,10,6]]}，“文章编号”：“e686”}}