CVPRMar, 2023

BEVHeight：基于视觉的路侧三维物体检测的稳健框架

PDF
TL;DR本文提出了一种名为 BEVHeight 的简单而有效的方法，通过回归车辆高度来解决利用路边智能摄像头进行感知时出现的问题，超过了所有以前的基于视觉的方法。
autonomous driving systemintelligent roadside camerasbird's eye view detectionbevheightcamera-only perception methods
发现论文，激发创造
  • BEVHeight++：面向稳健的视觉中心化三维目标检测

    利用智能路侧摄像头扩展感知能力来解决现有视觉中心的鸟瞰检测方法在路侧摄像头上性能较差的问题。通过回归地面高度并结合高度和深度编码技术，提出了一种简单而有效的方法，名为 BEVHeight++，在 2D 到 BEV 空间的映射中取得了更准确和稳健的结果，超过了其他方法，拥有较好的性能表现。

    Sep, 2023

  • CoBEV：利用深度和高度互补提升路边三维物体检测

    路边基于摄像头的三维物体检测是智能交通系统中的一个重要任务，该研究提出了一种新的端到端单目三维物体检测框架 —— 互补 BEV（CoBEV），融合深度和高度信息，构建了强大的 BEV 表示，实现了一系列性能的提升，同时在具有挑战性的长距离场景和噪声摄像机干扰下具有较强的鲁棒性和泛化性的提高。

    Oct, 2023

  • BEVDepth: 多视角 3D 物体检测可靠深度获取

    本文提出一种新的基于相机的鸟瞰图三维目标检测方法，称为 BEVDepth，通过使用显式深度监督、镜头感知深度估计模块、深度细化模块以及定制的高效八叉树池化和多帧机制，实现了 60.9％的 NDS。这是相机模型首次达到 60％以上的 NDS 得分。

    Jun, 2022

  • RoadBEV：鸟瞰视角下的道路表面重建

    本研究提出了两种简单而有效的模型（RoadBEV-mono 和 RoadBEV-stereo），分别使用单目和立体图像估计道路高程，在 Bird's-Eye-View 感知中实现对道路的可靠和准确重建。经实验证明，RoadBEV-mono 和 RoadBEV-stereo 的高程误差分别为 1.83cm 和 0.56cm，在单目图像的基础上，估计性能提高了 50％，这些模型在自动驾驶中具有实际应用的潜力，并为基于视觉的 Bird's-Eye-View 感知提供了有价值的参考。

    Apr, 2024

  • HeightFormer: 鸟瞰视角的摄像头仅使用，无需额外数据的显性高度建模的 3D 物体检测

    通过显式地在鸟瞰视角空间中建模高度的方式，我们提出了 HeightFormer 方法，该方法可以准确地估计鸟瞰视角中的高度，而无需使用额外数据。基准结果显示，与仅使用相机的方法相比，HeightFormer 的性能达到了最先进水平。

    Jul, 2023

  • BirdNet+: LiDAR 鸟瞰图中端对端 3D 物体检测

    本文提出了一种全端到端的三维物体检测框架，可以仅使用 Bird's Eye View 图像自动推断取向的三维包围盒，并且该方法在 KITTI 三维物体检测基准中超出了现有方法的性能并获得了最佳结果。

    Mar, 2020

  • BEVDet：高性能多摄像头鸟瞰视角三维物体检测

    本文介绍了一种名为 BEVDet 的算法，它能够基于 Bird-Eye-View 拍摄的视频进行 3D 目标检测，通过利用数据增强策略和升级最大值抑制策略来提高性能，同时在精度和时间效率之间实现出色的平衡。

    Dec, 2021

  • 自动驾驶中鸟瞰空间高效三维物体检测的卷积网络方法

    3D 物体检测在俯视（Bird's-Eye-View）空间中最近成为自动驾驶领域的一种普遍方法。本研究提出了一种高效的基于 BEV 的 3D 检测框架 BEVENet，通过采用仅卷积的架构设计，克服了 ViT 模型的局限性，同时保持了 BEV 方法的有效性。实验证明，BEVENet 在 NuScenes 挑战赛中比当代最先进方法快 3 倍，同时在 NuScenes 验证数据集上获得 0.456 的平均精确度（mAP）和 0.555 的 nuScenes 检测分数（NDS），推断速度为 47.6 帧每秒。据我们所知，这是首次实现如此显著的 BEV 方法效率改进的研究，突显了它们在实际自动驾驶应用中的可行性提升。

    Dec, 2023

  • 具有结构先验的多摄像头实例感知 3D 目标检测与自我增强学习

    提出了一种新方法 IA-BEV，它将图像平面实例感知集成到基于 BEV 的深度估计过程中，通过增强单目深度生成的有效性和鼓励模型在计算密集的时间立体匹配中更加注重具有挑战性的物体，为高质量 BEV 特征构建提供先进的深度估计结果，从而有利于最终的三维检测。所提出的方法在具有挑战性的 nuScenes 基准测试中取得了最先进的性能，广泛的实验结果表明了我们设计的有效性。

    Dec, 2023

  • 自主驾驶中鸟瞰视图感知鲁棒性的基准测试和改进

    通过设计评估鲁棒性的 RoboBEV 基准套件，我们评估了包括检测、地图分割、深度估计和占用预测在内的 33 种 BEV 感知模型的性能，并观察到在分布内数据表现良好的模型对分布外挑战具有鲁棒性，同时也强调了预训练和无深度 BEV 变换等策略在提高对分布外数据鲁棒性方面的有效性。

    May, 2024