<![CDATA[Multi-Level Fusion based 3D Object Detection from Monocular Images]]>来自武汉大学的论文，根据单目图片进行3D检测。这似乎又是一个用单目尝试3D检测的例子。
先来看看文中效果图：

e0bc2ccc-e23a-409c-884b-279867904605-image.png

通过2D检测的框，映射到根据深度估计的3D点云图之中，但是它是如何估计边框姿态的呢？这里的3D边框的回归是如何实现的？

这篇文章比较有用的东西是提出了一个多任务的loss，以及尝试了多特征通道作为网络输入的方式来回归3D坐标。
显然这个方向值得尝试。
论文地址：http://openaccess.thecvf.com/content_cvpr_2018/papers/Xu_Multi-Level_Fusion_Based_CVPR_2018_paper.pdf

]]>http://t.manaai.cn/topic/68/multi-level-fusion-based-3d-object-detection-from-monocular-imagesRSS for NodeThu, 15 Oct 2026 19:20:24 GMTTue, 05 Mar 2019 06:35:07 GMT60<![CDATA[Reply to Multi-Level Fusion based 3D Object Detection from Monocular Images on Tue, 05 Mar 2019 06:35:07 GMT]]>来自武汉大学的论文，根据单目图片进行3D检测。这似乎又是一个用单目尝试3D检测的例子。
先来看看文中效果图：

e0bc2ccc-e23a-409c-884b-279867904605-image.png

通过2D检测的框，映射到根据深度估计的3D点云图之中，但是它是如何估计边框姿态的呢？这里的3D边框的回归是如何实现的？

这篇文章比较有用的东西是提出了一个多任务的loss，以及尝试了多特征通道作为网络输入的方式来回归3D坐标。
显然这个方向值得尝试。
论文地址：http://openaccess.thecvf.com/content_cvpr_2018/papers/Xu_Multi-Level_Fusion_Based_CVPR_2018_paper.pdf

]]>http://t.manaai.cn/post/134http://t.manaai.cn/post/134Tue, 05 Mar 2019 06:35:07 GMT