Jul, 2017

智能选择：自适应多模态融合在不稳定环境下的物体检测

PDF
TL;DR我们提出了一种自适应融合方法，使用多种传感器，通过卷积神经网络专家的混合来学习权衡不同传感器的预测，该方法可适应于不同光照和摄像机运动模糊等影响。我们测试了该方法在室内和室外的人体检测，并证明了其可适应困难环境，同时，我们还提出了一个新的混合室内外环境中的 RGB-D 数据集，可供参考。
object detectionadaptive fusion approachsensor modalitiesconvolutional neural networkrgb-d dataset
发现论文，激发创造
  • 鲁棒的 RGB-D 物体识别多模态深度学习

    使用卷积神经网络，采用 RGB-D 架构，通过两个不同模式的 CNN 处理流程结合延迟融合网络来识别物体，同时引入多阶段训练方法以及进行数据增强方案，使得处理 RGB-D 图像更加健壮，同时在真实嘈杂环境中取得了最先进的识别结果。

    Jul, 2015

  • RGB-D 显著目标检测的自适应融合

    本文提出了一种自适应融合方案，通过两个卷积神经网络中提取的特征和预测的显著性地图，学习一个切换显著性地图的开关来自适应地融合 RGB 和深度模态中所生成的显著性预测。为了实现全监督，利用显著性监督、开关映射监督和边缘保留约束来设计了一个损失函数，并通过端到端训练方式训练整个网络。经过自适应融合策略和边缘保留约束的好处，我们的方法在三个公开数据集上优于已有方法。

    Jan, 2019

  • 基于场景特定融合模块的 RGB-X 物体检测

    多模式深度传感器融合为自动驾驶车辆在各种天气条件下实现视觉理解提供了潜力，本研究提出了一种高效、模块化的 RGB-X 融合网络，通过场景特定的融合模块，实现了利用预训练的单模态模型进行融合，从而使用小型、核心配准的多模态数据集创建联合输入自适应的网络架构，在 RGB - 热成像和 RGB - 门控数据集上表现出了优越性，仅使用少量额外的参数进行融合。

    Oct, 2023

  • 遥感中的多模态物体检测

    本文比较了多模式遥感下物体检测的方法，调查了适合评估的多模式数据集并讨论了未来方向。

    Jul, 2023

  • RoboFusion: 基于 SAM 的稳健多模态 3D 目标检测

    RoboFusion 是一个利用视觉基础模型的健壮框架，通过减少噪声来提高多模式三维物体检测的鲁棒性和可靠性，并在嘈杂的场景中获得了最先进的性能。

    Jan, 2024

  • 自动驾驶中的多模态 3D 物体检测：一项综述

    本文介绍了自动驾驶所使用的流行传感器、它们的数据性质以及相应的目标检测算法。还讨论了用于评估多模态 3D 目标检测算法的现有数据集。接着对基于多模态融合的 3D 检测网络进行了回顾，并介绍了它们的融合阶段、融合输入和融合粒度以及这些设计选择如何随着时间和技术而演变。最后讨论了面临的挑战以及可能的解决方案。希望本文能帮助研究人员了解多模态 3D 目标检测领域并进行相关研究。

    Jun, 2021

  • 文物映射：多模态语义映射用于物体检测和 3D 定位

    提出一个利用多模态传感器融合的方法，能够在一个已知环境中，通过理解该环境搭配环境地图，准确地检测和定位预设物体和障碍物，并相比于单一的传感器能够更准确地检测远处和近处的障碍物。

    Jul, 2023

  • 基于 CNN 的 RGB-D 显著目标检测：学习、选择和融合

    该论文旨在提出一个系统性的解决方案来解决 RGB-D 突出物检测问题，该方案通过模态特定表示学习、互补线索选择和跨模态补充融合等三个方面进行统一的处理，并构建了一种自适应的残差函数来融合跨模态信息以实现足够的跨模态交互和跨层传输支持。

    Sep, 2019

  • mmFUSION: 三维物体检测的多模态融合

    提出一种新的中级多模态融合（mmFUSION）方法，通过分别计算每种模态的特征并通过交叉模态和多模态注意机制进行融合，实现了精确的自动驾驶系统中的三维目标检测。

    Nov, 2023

  • 用于资源高效的 RGB 目标检测的雷达引导动态视觉注意力

    该论文提出一种新的雷达引导空间注意力融合方法，以提高自动驾驶车辆在动态环境下的感知质量，用于检测远距离和小型物体，并在 nuScenes 数据集上进行验证，结果表明该方法在提高基线 yolov3 检测器的召回率方面有了较大的改进。

    Jun, 2022