使用 PointNets 进行雷达数据中的 2D 汽车检测
本文提出了一种基于深度学习算法的雷达目标检测方法,该方法可直接对原始雷达张量数据进行处理,在鸟瞰图空间中为检测到的目标放置概率定向边界框。借助新建的多模态数据集,仅使用原始雷达数据作为输入,发展了一种车辆检测管道,并取得了 77.28% AP(相对 3D 外接框交并比为 0.3)的最佳性能,实现了对传统角落式汽车雷达中原始雷达数据的目标检测。
Apr, 2020
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
本文探讨了利用深度学习在 3D 物体检测中,针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度,以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估,相比现有技术取得了显著的大幅度升级,并具有实时性能。
Nov, 2017
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
本文提出一个混合体系结构,结合网格和基于点的处理方法,以提高雷达物体检测网络的检测性能和定位估计。通过实验,证明了该模型可以提取邻域特征,从而获得比以往文献中的网络更好的检测性能和方位估计。
May, 2022
本文提出了一个名为 StarNet 的基于点云的物体检测系统,利用了点云数据稀疏和三维特征的优点,采用采样策略和数据依赖的 anchors,相比传统卷积方法能够更加灵活和高效地检测道路上行人和其他物体。同时,该系统还可以通过利用时间序列信息和利用先验信息和启发式算法精准地定位需要检测的区域。实验表明,StarNet 相比于传统卷积基线具有更好的检测表现,并且可以在不重新训练的情况下根据需求灵活控制计算成本。
Aug, 2019
我们研究了一种新的多头神经网络架构,同时解决了雷达点云中的杂波检测和移动道路用户的语义分割问题,并通过只使用一个输出值来表示网络的预测结果,从而达到了与传统特定任务模型相同的推断时间,我们在 RadarScenes 数据集上的广泛评估中证明了我们的设置非常有效,并且在雷达场景的语义分割上优于现有的任何网络。
Nov, 2023
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。
Mar, 2019
该研究论文提出了一种名为 Radar to Point Cloud (R2P) 的深度学习模型,用于将低可视性环境下基于 mmWave 雷达的粗糙和稀疏点云转换为物体的 3D 点云表示,以实现目标检测和在自主导航系统中的应用,实验结果表明其优于现有的流行方法。
Jul, 2022