基于动态模块和语言导向空间注意力的多目标3D定位
计算机视觉与模式识别
2024-12-23 v2
摘要
多目标3D定位涉及根据给定查询短语从点云中定位3D框。这是一个具有诸多应用于视觉理解、人机交互和机器人领域的具有挑战性和重要性的任务。为解决这一挑战，我们引入D-LISA，一种两阶段方法，包含三个创新点：第一，一个动态视觉模块，使框提议数量可变且可学习；第二，一个动态相机定位，提取每个提议的特征；第三，一个语言导向空间注意力模块，更好地对提议进行推理以输出最终预测。实验结果表明，我们的方法在多目标3D定位方面优于最新方法12.8%（绝对值），在单目标3D定位方面表现出竞争力。
引用
@article{arxiv.2410.22306,
title = {Multi-Object 3D Grounding with Dynamic Modules and Language-Informed Spatial Attention},
author = {Haomeng Zhang and Chiao-An Yang and Raymond A. Yeh},
journal= {arXiv preprint arXiv:2410.22306},
year = {2024}
}
备注
NeurIPS 2024