基于柱状物的自动驾驶目标检测
本文针对自动驾驶中实时、高性能三维物体检测的问题,提出了基于支柱的检测器 PillarNet。与现有的点云和三维卷积方法不同,PillarNet 仅使用 2D 卷积且具有高效灵活等特点,经过大规模数据集测试表明比现有方法有更好的效果和性能。
May, 2022
提出了在自动驾驶中利用多雷达协同感知的 PillarGrid 方法,包括点云预处理、柱体分割、多传感器特征融合、基于 CNN 的物体检测等阶段,实验证明该方法能够显著提高 3D 物体检测的精度和范围。
Mar, 2022
本文提出了基于 pillar 的算法模型在 LiDAR 3D 目标检测中的效果以及在架构和训练等方面的现代化设计,通过扩大感受野等方法取得了显著提升,在 Waymo 开放数据集和 nuScenes 数据集上实现了最优性能。
May, 2023
本篇论文介绍了一种新型编码器 PointPillars,该编码器可以将点云转为适合下游检测通道的格式,可应用于众多机器人应用中的物体检测,证明其在速度和准确性上都优于现有编码器,可优化无人驾驶等应用领域。
Dec, 2018
通过时间周期性地利用 LiDAR 数据的柱状表示,TimePillars 可以实现在硬件集成效率约束下利用 Zenseact Open 数据集的多样性和长距离信息,从而实现稳健且高效的目标检测。
Dec, 2023
我们提出了一种基于 pillar 的 3D 单物体跟踪框架 PillarTrack,通过将稀疏的点云转化为稠密的 pillar 来保留本地和全局几何特征,并引入了一种金字塔型编码 pillar 特征编码器(PE-PFE)设计以提高每个 pillar 的特征表示,并从模态差异的角度介绍了一种高效的基于 Transformer 的骨干网络。通过在 KITTI 和 nuScenes 数据集上进行广泛实验,我们的方法表现卓越,并实现了实时跟踪速度。我们希望我们的工作能够鼓励社区重新思考现有的 3D 单物体跟踪器设计。
Apr, 2024
本研究提出了一种具有开创性的算法硬件协同设计,利用 PointPillars 编码的稀疏性加速 3D 目标检测网络的处理,达到了极高的节能与速度。
May, 2023
提出的 PillarNeXt 方案利用多线 LiDAR 和基于点云的三维探测器,在自动驾驶中提取多尺度特征,并通过特征编码、骨干网络和网络结构改进来优化性能。
May, 2024
本研究探讨了深度卷积神经网络背骨选择对于基于 LiDAR 传感器数据的 3D 目标检测精度和计算速度的影响,测试了 10 种不同的卷积神经网络架构,并在保证检测效率(以 mAP 度量)的前提下,显著提高 LiDAR 点云中 3D 物体检测速度。
Sep, 2022
本文提出了基于柱状集合抽象(PSA)和前景点补偿(FPC)的 PSA-Det3D 点检测网络,以解决 3D 点云中小物体检测的困难问题,并在 KITTI 3D 检测基准上进行了实验验证。
Oct, 2022