Mar, 2021

动态融合模块演化驾驶区域和道路异常检测：基准和算法

PDF
TL;DR本文提出了一个针对地面移动机器人的可行驶区域和路面异常检测基准，评估了现有单模和数据融合语义分割 CNN 的性能，并提出了一个名为动态融合模块（DFM）的新模块来有效和高效地融合不同类型的视觉特征。实验结果表明，变换视差图是最具信息量的视觉特征，提出的 DFM-RTFNet 在 KITTI 路况基准上表现出色，并在公开数据集上可用。
发现论文，激发创造
  • 应用表面法向信息实现地面移动机器人行驶区域和道路异常检测

    本文提出利用一种新颖的模块（NIM）来提高现有卷积神经网络（CNNs）对于自动驾驶中行驶区域和路面异常的检测精度。作者在实验中将我们的 NIM 应用到 12 种现有的 CNNs 上，实验结果表明，我们的 NIM 能够显著提高 CNNs 对于行驶区域和路面异常的检测精度，且在 KITTI 路标奖励上排名第 8，拥有实时推理速度。

    Aug, 2020

  • 基于深度信息的实时 RGB-D 语义分割融合网络，并结合道路图像中预警障碍物检测

    本文提出了一种名为 RFNet 的实时融合语义分割网络，该网络可在自动驾驶汽车应用中快速运行，利用多个数据集进行训练，实现对意外小障碍的识别和面对现实世界中未预见到的危险，达到了显著的分割精度和 22Hz 推理速度。

    Feb, 2020

  • 3D 目标检测中的大感受野策略与重要特征提取策略

    利用 3D 物体检测、LiDAR 点云、动态特征融合模块和特征选择模块以提高网络性能。

    Jan, 2024

  • 自适应蒙版融合网络用于可行驶道路和有不可信特征负障碍物分割

    提出了一种自适应掩膜融合网络 (AMFNet)，通过引入自适应权重掩膜来融合 RGB 和深度图像中不一致的特征，解决了深度图像中无效深度数据的局限，能够更准确地分割自主车辆中行驶道路和负障碍物，并在大规模的数据集上进行了实验验证。

    Apr, 2023

  • Temp-Frustum Net: 时序融合的三维物体检测

    本研究提出了一种新颖的 Temporal Fusion 模块（TFM）用于三维物体的检测，它结合了先前时间步骤中的信息以减轻单帧噪声、场景视野阻塞和稀疏性对三维物体检测的影响，实验结果表明，相较于基线方法的帧间检测，我们在 KITTI 目标跟踪数据集上分别实现了 6％，4％和 6％的改进。

    Apr, 2021

  • ASAP：高准确度实时语义分割

    本文提出使用 Feature Fusion with Different Norms (FFDN)，利用多重尺度的丰富全局上下文信息和垂直池化模块来减少在垂直方向上全局上下文编码的复杂度。在城市风景测试数据集上，平均交互并集（mIoU）为 73.1，每秒帧数（FPS）为 191，与目前最先进的结果相当。

    Oct, 2022

  • 通过盒匹配实现多模式三维物体检测

    本论文提出了一种用于自动驾驶场景中多模态三维物体检测的新型融合网络 FBMNet，其通过在边界框级别上学习对应关系以自由化校准依赖，从而提供了一种用于跨模态特征对齐的替代方法。在 nuScenes 数据集上的实验表明，该方法比现有融合方法更加稳定有效，适用于异步传感器、错位传感器放置和退化相机图像等复杂情况，为实现自动驾驶场景中安全而提供了一种可行解决方案。

    May, 2023

  • BiFNet: 道路分割的双向融合网络

    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。

    Apr, 2020

  • DUFOMap: 高效动态意识映射

    该研究论文提出了 DUFOMap，这是一种用于高效在线处理的新型动态感知映射框架，通过利用光线投射来识别和分类完全观察到的空区域，从而创建只包含静态部分的地图。在各种不同场景下进行评估，并且在精确性和计算效率方面优于现有的方法。

    Mar, 2024

  • 基于空间上下文深度网络的自动驾驶多模态行人检测

    本文提出一种基于 RGB 和热图像的、具有新颖空间上下文深度网络结构和多模态特征嵌入模块的行人检测端到端多模态融合模型，其能够在真实世界的日夜低光照条件下实现高效而准确的检测。

    May, 2021