Jan, 2022

一种基于概率框架的动态三维物体识别方法及连续地面估计算法

PDF
TL;DR本论文提出一种概率框架用于三维环境中的动态目标识别，开发了基于 ROS 的 C++ 和 Python 软件包进行检测和跟踪。基于高斯过程回归（GPR）的新方法用于在不同的城市场景中检测地面点，模拟结果表明，在不平坦和崎岖的场景中，该方法比类似的基于高斯过程的地面分割方法表现更好。
dynamic object recognition3d environmentsgaussian process regressionurban scenariosground segmentation
发现论文，激发创造
  • 自动驾驶用基于地面的单目三维物体检测

    通过研究路面对 3D 检测提供的额外信息，提出了一种嵌入式神经网络，能够充分利用这些应用程序特定的先验知识，从而实现使用单个 RGB 摄像机确定环境中对象的位置和方向的三维目标检测。

    Feb, 2021

  • 基于通用目标检测的 MonoSLAM 概率全局尺度估计

    该研究提出了一种基于 Kalman 滤波的单目 SLAM 算法中估算 3D 重建模型的全局尺度的新方法，通过结合基于快速通用目标检测的一组广泛预定义的类别中检测到的对象的高度先验，每个观测值都基于单个帧生成，因此不需要数据关联处理，该方法在多个不同目标类别的实验中取得了非常有希望的结果。

    May, 2017

  • EM-Fusion：带有概率数据关联的动态目标级 SLAM

    本文提出了一种新颖的基于动态物体级别体积有符号距离函数表示法的 SLAM 方法，将多物体跟踪公式化为 RGB-D 图像与 SDF 表示法的直接对齐，通过概率方法进行数据关联和遮挡处理，实验结果表明该方法在鲁棒性和准确性方面优于现有的最优方法。

    Apr, 2019

  • 使用范围相机的概率物体跟踪

    本文提出了一种利用动态贝叶斯网络进行物体 6 自由度姿态追踪的方法，在观测时考虑了物体本身和周围环境对物体的遮挡，并使用 Rao-Blackwellised 粒子滤波器实现实时姿态估计。

    May, 2015

  • 基于因子图的点云 3D 多目标跟踪

    本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化，用于处理三维空间中多个移动物体的跟踪问题，并展示了在 KITTI 跟踪数据集上实验的表现。

    Aug, 2020

  • GS3D：面向自动驾驶的高效三维物体检测框架

    本文提出了一种基于单个 RGB 图像的高效三维目标检测框架，旨在从二维图像中提取三维信息并在无点云或立体数据的情况下确定对象的精确三维边界框。该方法利用二维目标检测器提取表面视觉特征，消除使用二维边界框带来的表征歧义问题，并探索了不同的三维边界框细化方法，发现基于质量感知损失的分类式方法具有更好的性能。在 KITTI 基准测试上，该方法优于当前单个 RGB 图像基础的三维目标检测技术水平。

    Mar, 2019

  • 自主驾驶点云中基于语言的 3D 物体检测

    本文提出了一种新的多模态视觉定位任务，称为 LiDAR Grounding，并通过设计一种名为 MSSG 的多模态单次定位方法来实现，通过跨模态学习来提高定位精度和效率。

    May, 2023

  • 基于自由形式描述导向的点云物体 grounding 的三维视觉图网络

    本篇论文提出了基于自由文本语言描述的三维物体定位方法，通过引入多个图模型来解决不同挑战。经过在挑战类数据集上的多次测试，结果表明我们所提出的算法优于现有最先进技术。

    Mar, 2021

  • 概率和几何深度：透视中的物体检测

    该文通过构建几何相关图，利用概率表示来解决单目三维检测的问题，从而提高了检测性能并保持实时性的有效性。

    Jul, 2021

  • 高斯预测：用于运动外插和自由视点合成的动态三维高斯预测

    使用 GaussianPrediction 框架，结合 3D Gaussian 表示法、动态场景建模和未来场景合成等技术，实现对动态环境中未来状态的预测和渲染。

    May, 2024