CVPRApr, 2023

RadarGNN: 雷达感知的变换不变图神经网络

PDF
TL;DR本文介绍了一种基于雷达传感器和图神经网络的目标感知方法，利用点和点之间的关系，实现数据表示的不变性，应用在实现目标检测和语义分割领域中，相对于之前方法取得了更好的性能。
radar sensorsgraph neural networktransformation invarianceobject detectionsemantic segmentation
发现论文，激发创造
  • Point-GNN: 针对点云中 3D 物体检测的图神经网络

    本研究提出了一种基于图神经网络的 LiDAR 点云对象检测方法，采用自动注册机制降低了平移方差，并结合盒子合并和计分运算从多个数据点准确地组合检测结果，在 KITTI 基准测试中，该方法仅使用点云即可实现领先的准确性，甚至胜过融合算法，这显示了使用图神经网络作为三维对象检测的新方法的潜力。

    Mar, 2020

  • SparseRadNet: 基于子采样雷达数据的稀疏感知神经网络

    基于稀疏雷达数据的前瞻感知在自动驾驶中越来越受到关注，本论文通过引入自适应子采样方法和定制化的网络架构来综合处理稀疏雷达数据的特性，并利用稀疏模式发现雷达信号中的全局和局部相关性。实验证明，我们的 SparseRadNet 在目标检测方面超过了最先进的水平，并在自由空间分割方面几乎达到了最先进的准确性，同时使用了稀疏子采样输入数据。

    Jun, 2024

  • 3DTI-Net: 使用动态 GCN 学习内部变换不变的三维几何特征

    本论文提出了一种基于局部图表示的点云学习框架，通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性，这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能，具有重要的研究意义。

    Dec, 2018

  • 用于精确和低复杂度 SAR ATR 的图神经网络

    本文提出了一种基于图神经网络的低计算复杂度的合成孔径雷达目标识别方法，该方法通过输入修剪和模型修剪两种策略达到了低计算复杂度和较高的分类准确性。

    May, 2023

  • 基于图形的等度不变表示学习

    本文介绍了一种新颖的基于图的变换不变性网络（TIGraNet），该网络可以学习基于图的特征，并对几何变换具有不变性，通过图谱卷积和动态图池化层替代经典的卷积和池化层，能够有效提高对于数据变异的鲁棒性和在有限的训练集上保持持续性能。

    Mar, 2017

  • 基于混合目标检测网络的汽车雷达方向估计与检测改进

    本文提出一个混合体系结构，结合网格和基于点的处理方法，以提高雷达物体检测网络的检测性能和定位估计。通过实验，证明了该模型可以提取邻域特征，从而获得比以往文献中的网络更好的检测性能和方位估计。

    May, 2022

  • 推进网络入侵检测：将图神经网络与散射变换和节点嵌入相结合以增强异常检测

    使用图神经网络的两种新方法来进行网络入侵检测系统（NIDS）：第一种方法使用散射变换对边缘特征向量进行多分辨率分析，以识别网络流量中的细微异常；第二种方法通过使用 Node2Vec 来改进节点表示，从而捕捉到更准确和全面的网络图像。与基准 NIDS 数据集中现有最先进方法相比，我们的方法在性能上显示出显著的改进。

    Apr, 2024

  • RoadTagger: 基于图神经网络的稳健道路属性推断

    本研究提出了 RoadTagger 模型，将卷积神经网络和图神经网络相结合以解决从卫星影像中推断道路属性的问题，并成功解决了图像分类器的有效接收域有限的困难，评估结果显示 RoadTagger 模型在大规模实际数据和小规模合成数据上均取得了较高的推断精度和鲁棒性。

    Dec, 2019

  • 基于关系图网络的点云三维物体检测

    本文提出了一种基于卷积神经网络的关系图网络模型，该模型利用方向特征、语义特征和空间坐标，结合盒子候选回归和点注意池化，探索关系图对于提高候选物体外观特征的影响，最终成功实现了在点云中检测三维物体的任务。

    Nov, 2019

  • RadarFormer：轻量级高精度实时雷达物体检测模型

    本文通过使用具有长波长的雷达数据集以及开发一种名为 Radarformer 的基于 transformer 的模型，解决了自动驾驶中在恶劣天气下雷达探测的问题，并在 CRUW 雷达数据集上进行了全面实验，表明 Radarformer 在速度和模型参数上具有优势。

    Apr, 2023