基于全卷积网络的 FMCW 雷达目标检测和三维估计
通过使用 CenterRadarNet 来从 4D 雷达数据中进行高分辨率表示学习,对于 3D 物体检测和重新识别任务进行了有效的联合建模,取得了在 K-Radar 3D 物体检测基准测试上的最新成果,并在 K-Radar 数据集 V2 上展示了首次使用雷达进行的 3D 物体追踪结果。
Nov, 2023
在本文中,我们提出一种全卷积神经网络 (CNN) 架构,使用三阶卷积以在不同的入射角度下传递学习到的模式,并在汽车应用中的频率调制连续波雷达 (FMCW radar) 技术中进行干扰抑制和角度参数估计,该架构在性能上优于之前的工作。
Dec, 2023
本文提出了一种基于全卷积神经网络的 FMCW 雷达干扰抑制方法,改善了汽车场景下雷达传感器之间的干扰问题,同时开源了一个近似实际汽车场景的大规模数据集。
Jul, 2020
本文提出了一种用于频率调制连续波雷达相互干扰抑制的神经网络(NNs)训练方法,通过直接在目标检测地图上训练 NNs,以显著提高目标检测性能,并引入可分离卷积核来减少雷达应用中卷积 NN 架构的参数和计算复杂性。
Dec, 2023
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
本文介绍了一种有效的注释过程以及其应用,旨在利用 FMCW 扫描雷达对感知环境进行端到端的丰富语义分割。通过利用迄今为止收集的最大雷达集中的城市自治数据集,我们避免了繁琐的手动标注,并将雷达扫描与 RGB 相机和 LiDAR 传感器相关联,在此过程中,语义分割已经是一个已经巩固的程序。最后,我们使用多通道雷达扫描输入呈现网络,以处理短暂的和动态的场景对象。
Apr, 2020
本研究提出了一种基于卷积神经网络的方法,可直接从无线信号的距离 - 多普勒图中估算移动目标的范围和速度指数,并实验证明我们的模型相比现有方法在不同的信噪比下具有更好的范围和速度估算精度和更短的预测时间,并且在峰值信噪比方面表现的也更为优秀。
May, 2023
利用微波雷达和摄像机的互补性,基于深度学习的雷达摄像机三维物体检测方法可以可靠地在低能见度条件下生成准确的检测结果。这使得它们成为自动驾驶车辆感知系统中的首选,特别是由于两种传感器的综合成本比激光雷达更便宜。我们提出了 ClusterFusion,一种利用雷达点云的局部空间特征的架构,在将特征投影到图像平面之前,对雷达点云聚类进行特征提取。ClusterFusion 在 nuScenes 数据集的测试集中取得了最先进的性能,nuScenes 检测分数(NDS)为 48.7%。我们还研究了不同雷达特征提取策略在点云聚类上的性能:一种手工策略,一种基于学习的策略以及两者的组合,并发现手工策略提供了最佳的性能。本研究的主要目标是探索使用雷达点云聚类直接提取雷达的局部空间和逐点特征,用于在图像平面上进行交叉模态特征融合的雷达 - 单目摄像机三维物体检测方法。
Sep, 2023
本文提出了一种名为 RODNet 的深度雷达物体检测网络,通过摄像机和雷达融合算法进行交叉监督,可以在实时的条件下有效地检测无线电频率 (RF) 图像中的物体。经过广泛的实验,我们的算法在各种驾驶条件下呈现了鲁棒性,并取得了 86%的平均精度和 88%的平均召回率。
Feb, 2021
本文提出了一种基于雷达的多类别检测方法,结合卷积神经网络和目标聚类,针对目标和对象级别提供低层雷达数据的类信息和目标提议,实验表明该方法表现优越。
Apr, 2020