Aug, 2018

用于驾驶场景中点云车辆检测和跟踪的反卷积网络

PDF
TL;DR本文提出了一种使用 3D 激光雷达信息的汽车检测和跟踪系统，其中检测步骤使用卷积神经网络（CNN），并通过多假设扩展卡尔曼滤波器实现多目标跟踪。此基于激光雷达的方法与基于图像的检测器使用大约相似的结果并仅使用原始数据的 4％。
vehicle detectiontrackinglidar3d informationcnn
发现论文，激发创造
  • 基于点云的三维全卷积网络车辆检测

    本文将全卷积网络技术扩展到三维，并将其应用于点云数据的车辆检测任务中，实验结果表明该方法在自动驾驶领域的 KITTI 数据集上表现较之前的点云检测方法有显著提升。

    Nov, 2016

  • 使用全卷积网络从 3D LIDAR 检测车辆

    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

  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023

  • 使用点云卷积进行雷达检测的语义分割

    通过将点云处理为无序数据格式，使用 PointCNN 基于深度学习的方法对雷达点云进行语义分割的性能超过基于 PointNet++ 的现有方法，以解决卷积在雷达点云上的不规则性和排列变化性挑战。

    May, 2023

  • 一种用于车辆三维检测的通用流水线

    本文提出了一种灵活的管道来采用任何 2D 检测网络并将其与 3D 点云融合，以产生最小的 2D 检测网络变化的 3D 信息，使用卷积神经网络（CNN）进行改善，实现了机动车无人驾驶三维物体感知，排名第二。

    Feb, 2018

  • 基于激光雷达感知的圆柱形和非对称 3D 卷积网络

    该论文提出了一种利用 3D 卷积网络进行 LiDAR 语义分割、全景分割和 3D 检测的新框架，其中采用了柱状分割和非对称 3D 卷积网络来探索 3D 几何模式，该模型在 SemanticKITTI，nuScenes 和 A2D2 上的结果均表现出最先进的性能并在分割和检测任务中显示出很好的泛化性能。

    Sep, 2021

  • 自动驾驶中的三维物体检测与跟踪的深度学习方法：简要综述

    自动驾驶中的目标检测和跟踪是重要且基础的任务，旨在在场景中识别和定位预定义类别的对象。这篇论文展示了最近在深度学习方法中对于 3D 目标检测和跟踪的研究进展，以帮助更好地了解该领域的现状。

    Nov, 2023

  • LiDAR R-CNN：一种高效且通用的三维物体检测器

    本文研究基于激光雷达点云的三维检测在自动驾驶的感知系统中的重要性，并提出了 LiDAR R-CNN，这是一种可改进任何现有三维检测器的第二阶段检测器，采用了基于点的方法解决了实时和高精度要求的问题，在实际中具有普适性和优越性能。

    Mar, 2021

  • 自动驾驶中的激光雷达点云深度学习综述

    该论文系统地回顾了现有的深度学习体系结构在 LiDAR 点云中的应用，包括用于自动驾驶的特定任务如分割、检测和分类，并总结了近五年来超过 140 个重要贡献，包括 3D 深度架构、3D 语义分割、目标检测和分类方面的深度学习应用以及特定的数据集、评估指标和最新的性能。最终，我们总结了剩余的挑战和未来研究方向。

    May, 2020

  • 从稀疏点到稠密点云：通过有限的 LiDAR 数据增强 3D 检测

    提出了一种结合单目和基于点云的三维检测的平衡方法，使用低成本、低分辨率的传感器获取仅有 512 个点，然后将这有限的三维信息与单张图像结合重建完整的三维点云，通过与多模态现成的三维检测器结合使用，使得三维检测的准确率相比于最新的单目检测方法提高了 20%，相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。

    Apr, 2024