Mar, 2020

使用金字塔占据网络从图像中预测语义地图表示

PDF
TL;DR本文提出了一种使用单个端到端深度学习架构直接估算单眼图像中的地图的简单统一方法，并采用语义贝叶斯占据网格框架来积累多个相机和时间步长的信息，与现有最佳方法相比，在 NuScenes 和 Argoverse 数据集上相对提高了 9.1% 和 22.3%。
autonomous vehiclesmapsdeep learningoccupancy gridobject detection
发现论文，激发创造
  • 基于深度卷积网络的占据栅格地图目标检测和分类

    利用卷积神经网络和网格地图环境表示法，基于传感器数据检测并分类物体，实现了对自动驾驶车辆周围环境感知的精确处理。

    May, 2018

  • 使用卷积变分编码器 - 解码器网络进行单目语义占据栅格地图绘制

    该研究使用单目摄像头的弱立体视觉信息，通过变分编码器 - 解码器网络实现了从前视图到鸟瞰图的语义度量占用栅格地图学习，并优于传统方法，在城市街景数据集上 mean IoU 提升 12% 以上，并实现了对未见数据的鲁棒性和实时推理速度。

    Apr, 2018

  • 场景作为占用

    通过提出一种新的 3D Occupancy 表示法 (OccNet)，并在 nuScenes 数据集上建立了 OpenOcc，我们方法能够有效地为多个驾驶任务提供有力的支持，并取得了显著的性能收益，例如运动规划可以实现 15％-58％的碰撞率降低。

    Jun, 2023

  • MonoOcc: 单目语义占据预测深入研究

    提出了一种名为 MonoOcc 的方法，通过在框架的浅层引入辅助语义损失作为监督和利用图像条件下的交叉注意力模块来改进单目占据预测框架，并利用较低的硬件成本将时间信息和更丰富的知识从更大的图像主干传输到单目语义占据预测框架，从而取得了基于相机的 SemanticKITTI 场景完成基准测试中的最佳性能。

    Mar, 2024

  • 将车辆映射到鸟瞰图中的学习

    本文提出了一种语义感知变换的方法，将仪表板摄像机视图中的检测结果映射到场景的更广泛、俯视的占用图中，通过大量的合成数据和深度神经网络的训练实现，结果表明该模型能够在真实世界的数据上进行泛化。

    Jun, 2017

  • 城市自动驾驶应用的概率语义地图

    本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标，并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。

    Jun, 2020

  • 使用内存高效稀疏卷积的自动驾驶实时三维语义占位预测

    自动驾驶车辆中，实时理解自身车辆周围的三维环境至关重要。本文介绍一种从前视二维相机图像和 LiDAR 扫描中提取特征并使用稀疏卷积网络（Minkowski Engine）进行三维语义占用预测的方法，以解决实时应用中的高计算需求和稀疏场景完整性的问题。

    Mar, 2024

  • 卷积占据网络

    本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

    Mar, 2020

  • PanoOcc：面向基于相机的三维全景分割的统一占据表示

    本文介绍了一种名为 PanoOcc 的方法，它是一个基于相机的 3D 全景分割方法，它使用体素查询来聚合来自多帧和多视角图像的时空信息，并将特征学习和场景表示集成到一种全面的占用表示中，用于摄像机 3D 场景理解的统一占用表示，从而实现了更好的摄像机语义分割和全景分割结果，并且该方法可以很容易地扩展到密集的占用预测。

    Jun, 2023

  • 基于时空学习的动态环境下未来占据栅格的预测

    我们提出了一种时空预测网络管道，它可以从环境和语义标签中获取过去的信息来生成未来的占用预测，并将其应用于复杂的 nuScenes 数据集中，相较于当前 SOTA，我们的方法可以预测长达 3 秒的占用情况，并不需要 HD-Maps 和明确模拟动态物体。

    May, 2022