3D

在本文中提出了一种简单的注意力机制Box-Attention。它支持网格特征之间的空间交互(从感兴趣的Box中采样)，并提高了Transformer针对多个视觉任务的学习能力。
具体来说，介绍的BoxeR&#xff

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

本文介绍cvpr 2021的MonoFLEX，论文的着眼点是优化图片边沿被截断物体的3D检测，同时优化了中心点的深度估计。这个方法也是目前（截止2022.01）没有extra tranin

KITTI 数据集 数据集下载： 下载地址： http://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark3d 解压后为四部分内容&#xff1a

本文介绍一篇两阶段的3D目标检测网络：Voxel R-CNN，论文已收录于AAAI 2021。 这里重点是理解本文提出的 Voxel RoI pooling。
论文链接为：https://arxiv.

3D点云目标检测分类： 1 Lidar only, point-based method：直接输入点云数据给网络，或者将点云数据pre-process，如将三维点云投射到多个二维平面形成图像。 Complex-yolo首先将点云数据转换到2d-

说明：
3D目标检测道路上的一个初学者，希望记录下学习的每一个过程，文章仅是自己对学习内容的总结。
获取原文链接
摘要
本文将之前的工作--PointRCNN扩展到一个新颖而强大的基于点云的3D

Frustum PointNets for 3D Object Detection from RGB-D Data
1.背景
3D的运用以及逐渐广泛，但是之前大多数的工作是将3D书转化为2D的数据或者对3D数据进行体素化处理&

单目3D目标检测算法对自动驾驶领域非常重要，SMOKE是2021年CVPR workshop的文章，精度在kitti上排名前列，能实现实时推理，且代码开源，最近也被baidu

动机：
in this paper that predicts a 3D bounding box for each detected object by combining a single keypoint estimate