CVPRMar, 2019

LaserNet: 高效的概率三维物体检测器，用于自动驾驶

PDF
TL;DR本文提出了 LaserNet，一种 3D 物体检测的计算有效方法，它通过在传感器的本地范围视图中处理 LiDAR 数据来提高效率，并使用全卷积网络来预测每个点的 3D 框的多模式分布，然后高效地融合这些分布以生成每个对象的预测，实验证明这种方法比其他方法具有显著更低的运行时间，并且在大型数据集上具有比其他检测器更好的性能。
lasernet3d object detectionlidarautonomous drivingconvolutional network
发现论文，激发创造
  • 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

  • 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

  • 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

  • 围绕你的一切：基于范围引导的圆柱形网络用于 3D 物体检测

    该研究提出一种新的方法，利用适合扫描模式的坐标系来分析自动驾驶中 LiDAR 传感器所获取到的 3D 数据，并引入了基于范围的卷积方法，其能够根据自我车辆与物体的距离和物体的比例来调整感受野。实验结果在 nuscenes 竞赛上表现良好，可以与现有的先进架构相媲美，而该架构也可以轻松地整合到其他管道中。

    Dec, 2020

  • LaserFlow: 高效率的概率化物体检测和运动预测

    LaserFlow 是一种高效的方法，可从 LiDAR 进行 3D 物体检测和运动预测，在不需要数据体素化或压缩的情况下，使用 LiDAR 的本地测距视图表示，提出了新的多次扫描融合架构，同时提出了一种基于课程学习的概率分布学习新技术。与现有最先进的方法相比，我们在两个自动驾驶数据集上展示了有竞争力的结果。

    Mar, 2020

  • 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

  • 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

  • 自主驾驶的多传感器三维物体框细化

    本文提出了一种在自动驾驶背景下具有多传感器优化的三维目标检测系统，其中单眼相机可以作为二维目标提议和初步三维边界框预测，而立体相机和 LiDAR 则被视为自适应插件传感器以优化 3D 边界框本地化性能。

    Sep, 2019

  • 用于自动驾驶的多视角三维物体检测网络

    该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks（MV3D）框架，该框架采用多传感器融合技术，将 LIDAR 点云和 RGB 图像作为输入，并预测有方向的 3D 界限框。实验表明，该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25％和 30％，在 2D 检测中也表现出显著的技术优势。

    Nov, 2016

  • SpotNet: 图像为中心、激光雷达为锚点的长距离感知方法

    通过 SpotNet 方法，结合 LiDAR 传感器融合 2D 和 3D 检测任务，实现稀疏 LiDAR 支持下准确的远距离 3D 目标检测，并且能够在不重新训练的情况下将检测结果从 2MP 分辨率图像转移到 8MP 分辨率图像上。

    May, 2024