Complex-YOLOv4：基于YOLOv4的实时3D目标检测网络
作者团队：法雷奥(Valeo)&伊尔梅瑙工业大学
基于激光雷达的3D目标检测对于自动驾驶是不可避免的，因为它直接链接到对环境的了解，因此为预测和运动计划奠定了基础。实时推断高度稀疏3D数据的能力是除自动驾驶汽车以外的许多其他应用领域的不适定问题。增强现实，个人机器人或工业自动化。我们介绍了Complex-YOLO，这是仅在点云上的最先进的实时3D目标检测网络。在这项工作中，我们描述了一种网络，该网络通过特定的复杂回归策略来扩展笛卡尔空间中的多类3D框，从而扩展RGB图像的快速2D标准对象检测器YOLOv2（最新版是基于YOLOv4
因此，我们提出了一个特定的Euler-Region-Proposal Network（E-RPN），通过向回归网络添加虚数和实数来估计对象的姿态。这最终会在封闭的复杂空间中发生，并避免了单角度估计所产生的奇异性。 E-RPN支持在训练过程中很好地概括。我们在KITTI基准套件上进行的实验表明，在效率方面，我们的性能优于目前领先的3D对象检测方法。我们比最快的竞争对手快五倍以上，从而为汽车，行人和骑自行车的人取得了最先进的成绩。此外，我们的模型能够高精度地同时估算所有八个KITTI类，包括货车，卡车或行人。
《Complex-YOLO: Real-time 3D Object Detection on Point Clouds》
其实该论文是18年的老论文了，之前基础版是基于YOLOV2的，但是作者团队follow着yoloV3、V4的更新，最新代码如下，原来论文也如下