MLCVNet：用于三维目标检测的多级上下文投票网

@第{Xie2020 MLCVNetMC条，title={MLCVNet:3D对象检测的多级上下文投票网}，author={谢谦、赖宇坤、吴静、王周涛、张一鸣、徐凯、王军}，journal={2020 IEEE/CVF计算机视觉和模式识别会议}，年份={2020年}，页码={10444-10453}，网址={https://api.semanticscholar.org/CorpusID:214816776}}
本文将三个上下文模块引入VoteNet的投票和分类阶段，对不同层次的上下文信息进行编码，并在最先进的VoteNet.基础上，提出了多层上下文VoteNet.MLCVNet（Multi-Level-context-VoteNet）来相关地识别三维对象。
[PDF]语义阅读器
138引文
极具影响力的引文
27
背景引文
64
方法引文
66
结果引文
5

本文图表

询问这篇论文
贝塔
AI供电

我们的系统试图限制本文中找到的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

138引文

基于上下文建模和SOB-3DNMS的投票三维对象检测

提出了一种新的3D物体检测网络，该网络建立在最先进的VoteNet之上，但在检测和识别3D物体时考虑了多层次的上下文信息。

基于投票的三维点云目标检测多级上下文注意网络

采用基于端到端vote的多级上下文注意网络提取点补丁之间的多级上下文特征，采用空间上下文模块结合低层空间和语义特征。

MCGNet：用于三维物体检测的多级上下文软件和几何软件网络

引入MCGNet来学习用于3D对象检测的多级几何感知和尺度感知上下文信息，并旨在为四种类型的特征图或三种几何图元建立长程依赖特征。

CMR3D：三维目标检测的上下文化多级细化

这项工作提出了三维对象检测的上下文化多级细化（CMR3D），它以三维场景为输入，努力在多个层次上明确集成场景的有用上下文信息，以预测一组对象边界盒及其相应的语义标签。

3DRM：用于3D对象检测的成对关系模块

基于表面的多层上下文三维目标检测

这项工作提出了一种3D对象检测器，该检测器提取候选对象的准确特征表示，并利用3D场景中的点面片、候选对象和全局场景上的自我关注，使用高效的基于表面的特征提取方法，该方法还可在多个级别上捕获上下文线索。

用于少快照三维点云目标检测的原型VoteNet

本文考虑了少量热点三维点云对象检测，其中只需要少量新类的注释样本和丰富的基类样本，并提出了Prototypical VoteNet来识别和定位新实例，它包含了两个新模块。

SA-Det3D：基于自我注意的上下文软件3D对象检测

本文首先将成对自关注机制纳入当前最先进的BEV、体素和基于点的检测器中，并显示出相对于强基线模型的持续改进，同时在KITTI验证集上将其参数足迹和计算成本分别减少15-80%和30-50%。

3DLG-Detector：通过同步局部-全局特征学习进行三维目标检测

本文提出了一种通过同步局部全局特征学习的有效3OD网络（称为3DLG-Detector），该网络在SUN RGB-D和ScanNet数据集的检测准确性和鲁棒性方面均优于13个竞争对手。

ImGeo VoteNet：用于RGB-D对象检测的图像和几何体共同支持的VoteNet

一种基于VoteNet的RGB-D对象检测神经网络（简称ImGeo VoteNet），用于解决室内场景中被遮挡和类似对象的不利情况，并在复杂的室内场景中获得比现有技术更好的3D对象检测精度。
...

51参考文献

PanoContext：用于全景场景理解的全空间三维上下文模型

实验表明，仅基于三维上下文而不使用任何图像区域类别分类器，所提出的全房间上下文模型可以实现与最先进的目标检测器相当的性能，表明当视野较大时，上下文与对象外观一样强大。

PointRCNN：从点云生成和检测三维对象建议

在KITTI数据集的3D检测基准上进行的大量实验表明，通过仅使用点云作为输入，该架构的性能优于最先进的方法，且具有显著的优势。

基于Deep Hough投票的点云三维目标检测

这项工作提出了VoteNet，这是一种基于深点集网络和Hough投票的协同作用的端到端3D物体检测网络，它在两个真实3D扫描的大型数据集ScanNet和SUN RGB-D上实现了最先进的3D检测，设计简单，模型尺寸紧凑，效率高。

结构推理网：使用场景级上下文和实例级关系的对象检测

这项工作提出了一种所谓的结构推断网络（SIN），将一个检测器与一个旨在推断对象状态的图形模型集成到一个典型的检测框架中，并进行了全面的实验，结果表明场景上下文和对象关系确实提高了对象检测的性能，并提供了更理想、更合理的输出。

用于自动驾驶的多视点三维目标检测网络

本文提出了多视图3D网络（MV3D），这是一个无传感器的框架，它以LIDAR点云和RGB图像为输入，预测定向3D边界框，并设计了一个深度融合方案，以结合多个视图的区域特征，实现不同路径的中间层之间的交互。

RGB-D图像中的二维驱动三维目标检测

该方法充分利用2D信息，快速减少3D中的搜索空间，受益于最先进的2D目标检测技术。

用于自动驾驶的单目三维目标检测

这项工作提出了一种能量最小化方法，该方法利用物体应位于地面的事实，将候选物体放置在3D中，并在已发布的单目竞争对手中，在具有挑战性的KITTI基准上实现最佳检测性能。

上下文在野外目标检测和语义分割中的作用

提出了一种新的基于可变形部分的模型，该模型既利用了每个候选检测周围的局部上下文，也利用了场景级别的全局上下文，这大大有助于在所有尺度上检测对象。

用于点云中三维物体检测的关注点网

本研究提出了Attentional PointNet，这是一种新型的端到端可训练的点云对象检测深层架构，它将视觉注意机制的理论扩展到了三维点云，并引入了一个新的递归三维定位网络模块。

上下文选择在目标检测中的作用

本研究提出了一种基于区域的上下文重取方法，通过动态上下文选择来去除噪声和强调信息上下文，并引入潜在的指示变量来选择（或忽略）潜在的上下文区域，并利用潜在的SVM学习选择策略。
...