ICLRJun, 2022

利用参考对象进行远程距离估计的 R4D 方法

PDF
TL;DR本文首次提出了一个重要而未被充分研究的任务 -- 长距离目标距离估计，介绍了两个数据集，并提出了一种称为 R4D 的算法框架，使用已知距离的参考对象来准确估计长距离物体的距离。该算法基于人类认知的模式建造了目标到参考对象之间的图，并利用注意力模块自适应地组合参考对象，实现了目标距离的预测。实验证明，R4D 与已有算法相比具有更好的效果和鲁棒性。
autonomous drivinglong-range distance estimationr4ddatasetobject distance prediction
发现论文，激发创造
  • 基于专家范围和多模态虚拟点的全稀疏长距离三维物体检测

    我们的研究论文提出了一种利用 LiDAR 和图像相结合的方法来解决长距离 3D 物体检测的问题，通过组合两种不同范围的专家网络和引入 Multimodal Virtual Points（MVP）进行数据增强，我们的方法在长距离上达到了最先进的性能。

    Oct, 2023

  • 从单目图像中学习特定对象的距离

    本文提出了一种基于学习的方法，通过直接预测图像中给定物体的距离来解决自动驾驶中一个困难的问题：距离估计。该方法在构建了 KITTI 和 nuScenes 数据集的基础上，利用增强模型和关键点回归器解决了传统的 IPM、SVR 方法不能很好解决的场景，取得了较大的性能提升。

    Sep, 2019

  • 三维物体检测范围的实证分析

    基于 LiDAR 的 3D 检测在自动导航中起着至关重要的作用。本文通过对长距离检测数据集 Argoverse 2.0 的经验性分析，揭示了近场和远场 3D 检测的不同特征，并提出了一种基于集成模型的有效技术，使长距离检测的效率提高了 33%，准确性提高了 3.2% CDS。

    Aug, 2023

  • Far3D：扩展全景视角 3D 物体检测的视野

    提出了一种名为 Far3D 的新型稀疏查询框架，通过利用高质量的二维对象先验信息生成三维自适应查询，引入了透视感知聚合模块来高效捕获长距离对象在不同视角和尺度上的区别性特征，并通过范围调制的三维去噪方法解决了长距离任务中查询错误传播和收敛问题，相较于基于 LiDAR 的方法，在覆盖范围 150 米的具有挑战性的 Argoverse 2 数据集上表现出最先进的性能，并且在 nuScenes 数据集上相比之前的方法也展示了更好的性能。

    Aug, 2023

  • 利用 2D 边界框监督改善远距离 3D 物体检测

    使用仅有的 2D 监督信息，我们提出了 LR3D 框架，通过学习远距离物体的深度估计，并使得基于相机的方法能够在 200 米以上的距离实现与完整 3D 监督相当的准确性。

    Mar, 2024

  • RADDet：基于距离 - 方位 - 多普勒的道路动态目标雷达检测

    本文提出了一种基于深度学习的 Range-Azimuth-Doppler 多类物体检测算法，并伴随着一个包含动态道路用户的弯曲区域、类别标签和 2D 边界框的 novel radar 数据集，并提出了一种实例化自动注释方法

    May, 2021

  • K-Radar：各种天气条件下自动驾驶 4D 雷达物体检测

    本文介绍了 KAIST-Radar 数据集，该数据集包含 4D Radar tensor 数据，并提供了附加的 Lidar、立体相机和 RTK-GPS 测量，用于提高雷达物体检测的准确性，该数据集包含逆境天气下的各类道路，提供了相关基准测试和神经网络，并证明了 4D Radar 更适合逆境天气条件下的物体检测。

    Jun, 2022

  • 使用雷达和视觉进行远程车辆检测

    为了使自动驾驶汽车能够成功运行，需要能够准确检测远处的车辆。本研究发现，结合雷达数据可以提高卷积神经网络在检测远处小物体时的表现，同时提出了一种使用不同焦距摄像头进行数据生成的高效自动方法。

    Jan, 2019

  • 基于 LiDAR 的目标检测网络的高效 4D 雷达数据自动标注方法

    该研究聚焦于 4D 雷达的优势，在恶劣天气条件下进行鲁棒的三维目标检测网络研究。为解决现有 4D 雷达数据集的不足，研究提出了一种自动标注的方法，利用 4D 雷达张量（4DRT）在 K-Radar 数据集上自动生成标注，从而训练了雷达张量网络（RTNH）。实验结果表明，RTNH 在自动生成的标注上实现了与人工标注相当的检测性能，验证了该自动标注方法的有效性。

    May, 2024

  • 基于单目相机的 ADAS 车间距与相对速度的端到端学习

    本文提出了一个基于单目相机和深度神经网络的交通车辆间距和相对速度的估测方法，通过多种视觉线索，如深层特征线索、场景几何线索和时间光流线索，以及车辆中心的采样机制来减少透视失真的影响，并在性能、计算速度和内存占用等方面证实了该方法比其他最先进的方法具有更优越的表现。

    Jun, 2020