多传感器三维跟踪的端到端学习
本文提出了一种利用多个相关任务进行准确多传感器 3D 目标检测的方法,并展示了一种全面的可学习体系结构,用于推理 2D 和 3D 目标检测以及地面估计和深度完成,在各个层面上融合信息有助于学习更好的表示。 实验表明,所有这些任务是互补的,可以在保持实时性的同时,在 2D、3D 和 BEV 目标检测方面领先 KITTI 基准。
Dec, 2020
本文提出了一种新颖的三维物体检测器,利用雷达和摄像头实现非常精确的定位,设计了一种端到端可学习的架构,利用连续卷积在不同分辨率级别上融合图像和雷达特征图,其实现了对离散状态图像特征和连续几何信息的编码,从而能够基于多种传感器设计新颖,可靠且高效的端到端可学习的三维目标检测器,实验结果显示,在 KITTI 和大规模三维目标检测基准测试中,相对于现有技术有显著的提高。
Dec, 2020
本文提出一种深度神经网络模型,可以在利用 3D 传感器获取的数据的基础上联合推理 3D 检测、跟踪和运动预测,该方法在鸟瞰图表示的 3D 世界上执行时空 3D 卷积,具有高效的特点,并在多个北美城市捕获的超大规模数据集上进行实验,结果显示该方法在性能上大幅领先于现有技术,而且多项任务仅需要 30 毫秒即可完成。
Dec, 2020
提出了一种基于单目视觉的 3D 车辆检测和跟踪的在线框架,并利用 3D 车辆坐标信息和深度匹配对数据进行关联,并设计了一个基于 LSTM 的动作学习模块,以进行更准确的长期运动外推。实验结果表明,该跟踪系统可以提供抗干扰性更强的数据关联和跟踪能力,并且在跟踪 30 米内的行驶车辆方面比基于激光雷达的方法表现更好。
Nov, 2018
本文介绍了如何利用全卷积网络技术实现在 3D 距离扫描数据上进行车辆检测任务。文章中利用单个 2D 全卷积网络同时预测目标置信度和边界框,并通过精心设计边界框编码,即可利用 2D 卷积网络预测完整的 3D 边界框。在 KITTI 数据集上的实验证明了该方法在车辆检测方面具有最新的性能。
Aug, 2016
本文提出了一种有效的多模态 MOT 框架,包括使用 2D 和 3D 测量的联合目标检测和关联的端到端深度神经网络、用于计算 3D 空间中遮挡感知的外观和运动相似度的有效计算模块、以及联合优化检测置信度、相似度和开始 - 结束概率的综合数据关联模块,实验证明所提出方法在跟踪精度和处理速度方面优于 KITTI 跟踪基准。
Aug, 2021
近年来,自动驾驶领域取得了显著进展,本文提出一种新颖的修改方法,利用摄像机和激光雷达信息,将额外的分支整合到目标检测网络中,用于在同一车辆中的相邻摄像头之间重新识别物体,同时提高基线 3D 目标检测结果的质量。经过广泛实验验证,该方法在 2D 和 3D 领域的有效性得到证实,结果表明该方法优于传统的非最大抑制(NMS)技术,在重叠区域的车辆类别中改进超过 5%。
Oct, 2023
提出了一种结合 LiDAR 和相机传感器的深度神经网络,可以在 3D 空间中直接估计车道边界,在高速公路和城市道路等复杂情境下取得了很高准确度,解决了自动驾驶中车道检测精度不足的问题。
May, 2019
本研究提出了一种使用单目摄像头和 LiDAR 数据结合的机器学习技术,通过以国际排名领先的二维物体探测器生成的锥体区域来分割 LiDAR 点云,从而检测运动平台周围的车辆的 3D 边界框参数, 最终验证集准确率达到 87.1%。
May, 2021
本篇研究论文提出了一种基于学习的三维多目标跟踪方法,在公共数据集 nuScenes 上取得了近年来最好的性能表现,采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。
Apr, 2021