Apr, 2020

BiFNet: 道路分割的双向融合网络

PDF
TL;DR该研究提出了一种基于双向融合网络的多传感器融合道路分割方法，该方法利用摄像机成像空间和点云鸟瞰图空间之间的密集空间变换模块以及基于场景的特征融合模块，有效地解决了道路远景损失等问题，并在 KITTI 数据集上取得了有竞争力的结果。
multi-sensor fusionroad segmentationintelligent driving systembird's eye viewcontext-based feature fusion
发现论文，激发创造
  • BEVFusion: 多任务多传感器融合及其基于统一俯视图的表示

    本研究提出 BEVFusion，这是一种有效和通用的多任务多传感器融合框架，通过在共享的鸟瞰图表示空间中统一多模态特征，从根本上支持不同的 3D 感知任务，并在 nuScenes 上创立了新的技术水平

    May, 2022

  • BiSeNet: 双边分割网络用于实时语义分割

    本文提出了一种名为 Bilateral Segmentation Network（BiSeNet）的新型网络结构，通过引入 Spatial Path、Context Path 以及 Feature Fusion Module 三个模块，实现了在保持高分辨率的同时增加感受野，达到了在 Cityscapes、CamVid 和 COCO-Stuff 数据集上速度和分割性能相对平衡的效果，对于 2048x1024 的输入，我们在 Cityscapes 测试数据集上实现了 68.4％的平均 IOU，在 NVIDIA Titan XP 卡上的速度为 105 FPS，比现有方法更快，同时性能相当。

    Aug, 2018

  • RC-BEVFusion: 雷达 - 摄像机鸟瞰特征融合插件模块

    本研究提出了一种模块化的雷达 - 相机融合网络，其基于 BEV 平面，该网络通过新增设计的雷达编码器分支 BEVFeatureNet 与几种最先进的相机架构相结合，显著提高了 nuScenes 检测分数，是雷达 - 相机融合研究的重要进展。

    May, 2023

  • Bi-PointFlowNet: 基于点云双向学习的场景流估计

    本文提出了使用双向流嵌入层的新型场景流估计体系结构，它学习了前向和后向方向的特征，增强了估算性能。实验结果表明，在 FlyingThings3D 和 KITTI 基准测试中，该体系结构表现非常优异，与其他方法相比具有明显的优势，并且通过代码已经得到验证。

    Jul, 2022

  • MVFuseNet: 通过多视角融合 LiDAR 数据，提高端到端对象检测和运动预测的性能

    提出了一种名为 MVFuseNet 的方法，在利用脉冲激光雷达（LiDAR）数据时，通过多视图联合学习以及多尺度特征提取的方式，实现了目标检测和运动预测，取得了最新的技术成果，并且验证了该方法在大范围的自动驾驶数据集上可以很好地拓展并保持实时性能。

    Apr, 2021

  • 自动驾驶中多视角传感器数据融合提升感知和预测

    本文提出了一种利用多视角 LiDAR 返回和摄像头图像的终端到终端物体检测和轨迹预测方法，使用 Bird's-Eye View (BEV) 网络的状态 -of-the-art 融合历史 LiDAR 数据和高清地图的体素化特征来执行检测和预测任务。在此基础上，我们使用 LiDAR Range-View （RV）功能扩展了此模型，使用 LiDAR 原始信息的非量化表示。RV 特征图被投影到 BEV 中，并与计算自 LiDAR 和高清地图的 BEV 特征融合。最终输出检测和轨迹，这是一个单一的可训练终端到终端网络。在实际的无人驾驶车辆数据和公共 nuScenes 数据集上，所提出的多视角融合方法的表现都优于最先进的技术，并且增加了较少的计算成本。

    Aug, 2020

  • 使用完全卷积神经网络进行 LIDAR-Camera 融合以实现道路检测

    使用深度学习方法结合 LIDAR 和相机图像，开发了一种道路检测方法，通过使用多模式信息，新提出的交叉融合 FCN 实现了更高的准确性，表现优异并跻身最佳方法之列。

    Sep, 2018

  • BiCo-Fusion: 双向互补 LiDAR - 相机融合用于语义和空间感知的 3D 目标检测

    提出了一种新颖的双向互补激光雷达 - 摄像头融合框架 BiCo-Fusion，可以实现鲁棒的语义感知和空间感知的 3D 目标检测。

    Jun, 2024

  • BroadBEV: 广览鸟瞰式地图构建的 LiDAR 与相机融合

    提出了一种空间同步的跨模态方法，通过点散射将 LiDAR BEV 分布散布到相机深度分布，增强相机 BEV 估计和精确定位，同时改善整个 BEV 空间中 LiDAR 的稀疏性，实现了广视野 BEV 感知。

    Sep, 2023

  • BEVCar: 融合相机和雷达的纯电动车地图和物体分割

    通过将原始雷达数据编码为点云并将图像特征转化到鸟瞰空间中，我们引入了一种名为 BEVCar 的新型方法，用于联合 BEV 对象和地图分割，并且在 nuScenes 数据集上的实验表明，BEVCar 在环境条件复杂和远距离物体分割方面的性能优于现有技术。

    Mar, 2024