Sep, 2018

交通场景中的图像与世界空间联合跟踪

PDF
TL;DR在自动驾驶等自主系统中，跟踪在城市街道场景中起着核心作用。本文提出了一种基于图像和世界空间信息联合的三维扩展跟踪方法，通过我们的新型耦合 2D-3D Kalman 滤波器和一个干净且可扩展的假设和选择框架，实现了从增强检测到跟踪对象到每个跟踪对象所报告的位置的全过程中使用世界空间 3D 信息。我们的方法在官方的 KITTI 基准测试上与当前最先进的技术相匹配，在启用耦合 2D-3D 跟踪后，在三维定位精度方面显示出显著的改进。
发现论文，激发创造
  • 单目三维车辆检测与跟踪

    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

  • 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

  • 多传感器三维跟踪的端到端学习

    提出了一种新的基于检测的跟踪法，可以利用摄像头和 LIDAR 数据来产生非常精确的三维轨迹。为此，我们将问题制定为线性规划问题，可以解决该问题，并学习卷积网络进行检测以及匹配，并在具有挑战性的 KITTI 数据集上评估模型并展示了极具竞争力的结果。

    Jun, 2018

  • 基于成像雷达的多目标跟踪的三维物体检测

    使用基于学习的目标检测器和经典的跟踪算法相结合的方法，对成像雷达数据上的多目标跟踪方法进行了比较和分析，研究其在后续任务中的潜力，并考虑了概率关联算法的改进。

    Jun, 2024

  • 三维障碍多摄像头系统的联合目标检测与重新识别

    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

  • 高级相机 - LiDAR 融合与机器学习的 3D 物体检测

    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

  • 自主车辆上的移动多相机多 3D 物体跟踪

    本文提出了一个新的全局关联图模型与链接预测方法，以预测现有的 tracklets 位置并通过交叉注意力运动建模和外观重新识别将检测与 tracklets 链接起来，以解决由于不一致的 3D 对象检测引起的问题，并提高 nuScenes 检测挑战中标准 3D 对象检测器的检测准确率。实验结果表明，该方法在现有基于视觉的跟踪数据集上表现出了 SOTA 的性能。

    Apr, 2022

  • 基于级联几何约束和去噪 2D 检测的 3D 无人驾驶车辆边界框估计

    本文提出了一种针对自动驾驶车辆 3D 物体检测任务的新型两阶段 3D 物体检测方法，通过深度卷积神经网络回归两个额外的 3D 物体属性并与二维和三维框之间的级联几何约束相结合，旨在获取 3D 空间中物体位置的最佳解。

    Sep, 2019

  • 从视频中使用 3D 表示跟踪物体

    该论文探讨了在 2D 多目标跟踪中的数据关联问题，并借鉴 3D 目标表示来解决这一问题，提出了一种新的基于 Pseudo 3D 标签的 2D MOT 方法 P3DTrack，通过视频数据自学习 3D 目标表示，并在 Waymo 开放数据集上达到了最新的最佳性能。

    Jun, 2023

  • 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