3D Object Detection经典论文整理【分类/下载/代码/笔记】

这篇具有很好参考价值的文章主要介绍了3D Object Detection经典论文整理【分类/下载/代码/笔记】。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

3D Object Detection经典论文整理
【分类/下载/代码/笔记】

W.P. Xiao, Visual group, SHUSV
版本 更新时间 更新内容 作者
1 V 1.0 2021.12 论文分类整理 W.P. Xiao
2 V 1.0.1 2022.1.7 更新code链接 Y.Q. Wu

目录

3D Object Detection经典论文整理【分类/下载/代码/笔记】

  笔者分类整理了与三维目标检测有关的经典论文和部分最新论文的PDF下载链接、开源代码、阅读笔记(部分)。笔者认为的必读经典论文通过加粗标识。论文主要按照Point-based和Voxel-based来划分,还包括一些交叉领域新的方向,比如Transformer、Self-ensembling等。[paper]表示论文的下载链接,[code]表示开源代码(包括Tensorflow代码tf-code、PyTorch代码torch-code),[note]表示论文阅读笔记(小结)。更为完整的3D object detection paper list后续会在github上持续更新。

Point-based

  • PointNet系列

    • CVPR 2017 [PointNet] Deep Learning on Point Sets for 3D Classification and Segmentation [paper] [tf-code,torch-code] [note]
    • NIPS 2017 [PointNet++] Deep Hierarchical Feature Learning on Point Sets in a Metric Space [paper] [tf-code,torch-code] [note]
    • CVPR 2018 [Frustum PointNets] Frustum PointNets for 3D Object Detection from RGB-D Data [paper] [tf-code]
  • CVPR 2019 [PointRCNN] 3D Object Proposal Generation and Detection From Point Cloud [paper] [torch-code] [note]

  • ICCV 2019 [STD] Sparse to Dense 3D Object Detector for Point Cloud [paper] [note]

  • CVPR 2020 (Oral) [3DSSD] Point-based 3D Single Stage Object Detector [paper]

  • VoteNet系列文章来源地址https://www.toymoban.com/news/detail-426956.html

    • ICCV 2019 [VoteNet] Deep Hough Voting for 3D Object Detection in Point Clouds [paper] [code]
    • CVPR 2020 [ImVoteNet] Boosting 3D Object Detection in Point Clouds With Image Votes[ paper] [code]

Voxel-based

Anchor-based
  • CVPR 2018 [VoxelNet] End-to-End Learning for Point Cloud Based 3D Object Detection [paper] [tf-code]
  • Sensors 2018 [SECOND] Sparsely Embedded Convolutional Detection [torch-code,torch-code]
  • CVPR 2019 [PointPillars] Fast Encoders for Object Detection from Point Clouds [paper] [torch-code,torch-code]
  • CVPR 2020 (Oral) [What You See is What You Get] Exploiting Visibility for 3D Object Detection [paper]
  • PAMI 2020 [From Points to Parts] 3D Object Detection from Point Cloud with Part-aware and Part-aggregation Network [paper] [torch-code] [note]
  • CVPR 2020 [SA-SSD] Structure Aware Single-stage 3D Object Detection from Point Cloud
  • PV-RCNN系列
    • CVPR 2020 [PV-RCNN] Point-Voxel Feature Set Abstraction for 3D Object Detection [paper] [torch-code] [note]
    • ECCV 2020 [Deformable PV-RCNN] Improving 3D Object Detection with Learned Deformations
    • arXiv 2021 [PV-RCNN++] Point-Voxel Feature Set Abstraction With Local Vector Representation for 3D Object Detection [paper] [torch-code]
  • ECCV 2020 [SSN] Shape Signature Networks for Multi-class Object Detection from Point Clouds [paper] [code]
  • AAAI 2021 [Voxel R-CNN] Towards High Performance Voxel-based 3D Object Detection [paper] [torch-code]
  • AAAI 2021 [CIA-SSD] Confident IoU-Aware Single-Stage Object Detector From Point Cloud [paper] [torch-code]
Anchor free
  • ECCV 2020 [POD] Pillar-based Object Detection for Autonomous Driving [paper]
  • ECCV 2020 [Object as Hotspots] An Anchor-Free 3D Object Detection Approach via Firing of Hotspots [paper]
  • CVPR 2021 [Centerpoint] Center-based 3D Object Detection and Tracking [paper] [torch-code]
Transformer/Self-attention/Attention
  • AAAI 2020 (Oral) [TANet] Robust 3D Object Detection from Point Clouds with Triple Attention. [paper] [code]
  • CVPR 2020 [3DVID/PMPNet] LiDAR-based Online 3D Video Object Detection with Graph-based Message Passing and Spatiotemporal Transformer Attention. [paper]
  • arXiv 2021 [SA-Det3D] Self-Attention Based Context-Aware 3D Object Detection [paper] [torch-code]
  • ICCV 2021 [CT3D] Improving 3D Object Detection with Channel-wise Transformer [paper] [torch-code]
  • ICCV 2021 [VoTr] Voxel Transformer for 3D Object Detection [paper] [torch-code]
  • ICCV 2021 [Pyramid R-CNN] Pyramid R-CNN: Towards Better Performance and Adaptability for 3D Object Detection [paper] [torch-code]
  • arXiv 2021[M3DeTR]M3DeTR: Multi-representation, Multi-scale, Mutual-relation 3D Object Detection with Transformers [paper] [torch-code]
  • arXiv 2021 [SST] Embracing Single Stride 3D Object Detector with Sparse Transformer [paper] [torch-code]
Multi-sensor
  • CVPR 2018 [Frustum PointNets] Frustum PointNets for 3D Object Detection from RGB-D Data [paper] [tf-code]
  • CVPR 2019 [UberATG-MMF] Multi-Task Multi-Sensor Fusion for 3D Object Detection [paper]
  • IROS 2020 [CLOCs] Camera-LiDAR Object Candidates Fusion for 3D Object Detection [paper]
  • CVPR 2020 [PointPainting] Sequential Fusion for 3D Object Detection [paper]
  • arXiv 2021 [VPFNet] Improving 3D Object Detection with Virtual Point based LiDAR and Stereo Data Fusion [paper]

Self-ensembling

  • CVPR 2021 [SE-SSD] Self-Ensembling Single-Stage Object Detector From Point Cloud [paper]

Unsupervised domain adaptation

  • CVPR 2021 [ST3D] Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection
  • ICCV 2021 [SPG] Unsupervised Domain Adaptation for 3D Object Detection via Semantic Point Generation [paper]

到了这里,关于3D Object Detection经典论文整理【分类/下载/代码/笔记】的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 论文精读 《CaDNN: Categorical Depth Distribution Network for Monocular 3D Object Detection》

    研究动机:单目3D目标检测难以预测物体的深度 单目 3D 目标检测是自动驾驶领域的一个关键问题,因为它与典型的多传感器系统相比配置比较简单。 单目 3D 检测的主要挑战在于准确预测物体深度 ,由于缺乏直接的距离测量,因此必须从物体和场景线索推断出物体深度。许多

    2023年04月22日
    浏览(82)
  • PolarFormer:Multi-camera 3D Object Detection with Polar Transformer——论文笔记

    参考代码:PolarFormer 介绍:在仓库RoboBEV中总结了现有的一些bev感知算法在不同输入情况下的鲁棒性,在这些感知算法中PolarFormer拥有较为不错的泛化性能。这个算法的思想是将之前由直角坐标系栅格化构建bev网格,转换到由极坐标构建栅格化bev网格,这样的bev特征构建方法其

    2024年02月11日
    浏览(53)
  • MonoDETR: Depth-guided Transformer for Monocular 3D Object Detection 论文解读

    单目目标检测在自动驾驶领域,一直是一个具有挑战的任务。现在大部分的方式都是沿用基于卷积的2D 检测器,首先检测物体中心,后通过中心附近的特征去预测3D属性。 但是仅仅通过局部的特征去预测3D特征是不高效的,且并没有考虑一些长距离的物体之间的深度关系,丢

    2024年02月09日
    浏览(45)
  • MonoDTR Monocular 3D Object Detection with Depth-Aware Transformer 论文学习

    论文链接:MonoDTR: Monocular 3D Object Detection with Depth-Aware Transformer 单目 3D 目标检测对于自动驾驶很重要,也很有挑战性。 现有的一些方法通过深度预测网络得到深度信息,然后辅助 3D 检测,这造成计算量激增,不适合实际部署。此外,如果深度先验不准确的话,也会影响算法

    2024年02月17日
    浏览(42)
  • 论文精读:《FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection》

    单目三维目标检测具有成本低的优点,是自动驾驶的一项重要任务。 由于其固有的不适定特性,其主要表现为缺乏深度信息,因而比传统的二维情形更具挑 战性。 二维检测的最新进展为更好地解决这一问题提供了机会。 然而,使一个通用的自适应二维探测器在这种三维任务

    2024年02月06日
    浏览(52)
  • Center-based 3D Object Detection and Tracking(基于中心的3D目标检测和跟踪 / CenterPoint)论文笔记

    原文链接:https://arxiv.org/pdf/2006.11275.pdf         CenterPoint先使用基于激光雷达的主干网络如VoxelNet或PointPillars,压缩为BEV后,使用基于图像的关键点检测器寻找物体中心。然后对每个物体中心回归尺寸、朝向和速度。然后,第二阶段细化物体位置,提取估计的3D边界框每个

    2024年02月09日
    浏览(40)
  • 【论文笔记】FSD V2: Improving Fully Sparse 3D Object Detection with Virtual Voxels

    原文链接:https://arxiv.org/abs/2308.03755 完全稀疏检测器在基于激光雷达的3D目标检测中有较高的效率和有效性,特别是对于长距离场景而言。 但是,由于点云的稀疏性,完全稀疏检测器面临的一大困难是中心特征丢失(CFM),即因为点云往往分布在物体表面,物体的中心特征通

    2024年02月02日
    浏览(50)
  • 【论文笔记】A Robust Diffusion Modeling Framework for Radar Camera 3D Object Detection

    原文链接:https://openaccess.thecvf.com/content/WACV2024/html/Wu_A_Robust_Diffusion_Modeling_Framework_for_Radar_Camera_3D_Object_WACV_2024_paper.html 本文使用概率去噪扩散模型的技术,提出完全可微的雷达-相机框架。使用校准矩阵将雷达点云投影到图像上后,在特征编码器和BEV下的Transformer检测解码器中

    2024年01月18日
    浏览(59)
  • 【论文笔记】Towards Generalizable Multi-Camera 3D Object Detection via Perspective Debiasing

    原文链接:https://arxiv.org/abs/2310.11346 最近,多相机3D目标检测(MC3D-Det)多使用BEV方法以进行有效的多相机信息融合,但当测试环境与训练环境有很大不同时,这些方法会有严重的性能下降。 两种减轻域偏移的方向是域泛化(DG)和无监督域自适应(UDA)。DG方法通常解耦并消

    2024年03月14日
    浏览(50)
  • BtcDet论文详解| Behind the Curtain: Learning Occluded Shapes for 3D Object Detection

    造成shape miss主要由三个原因: 外部遮挡。前方物体挡住了后面的物体,使得传感器难以感知到后面的物体。 信号丢失。由于目标的材质或者传感器的原因,一部分传感器信号丢失,使得传感器难以感知这个区域 自身遮挡。物体自身的靠近传感器的部分遮挡住了远离传感器的

    2024年02月03日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包