PillarNeXt: 针对 LiDAR 点云的 3D 物体检测重新思考网络设计
本文针对自动驾驶中实时、高性能三维物体检测的问题,提出了基于支柱的检测器 PillarNet。与现有的点云和三维卷积方法不同,PillarNet 仅使用 2D 卷积且具有高效灵活等特点,经过大规模数据集测试表明比现有方法有更好的效果和性能。
May, 2022
通过时间周期性地利用 LiDAR 数据的柱状表示,TimePillars 可以实现在硬件集成效率约束下利用 Zenseact Open 数据集的多样性和长距离信息,从而实现稳健且高效的目标检测。
Dec, 2023
提出了在自动驾驶中利用多雷达协同感知的 PillarGrid 方法,包括点云预处理、柱体分割、多传感器特征融合、基于 CNN 的物体检测等阶段,实验证明该方法能够显著提高 3D 物体检测的精度和范围。
Mar, 2022
本研究探讨了深度卷积神经网络背骨选择对于基于 LiDAR 传感器数据的 3D 目标检测精度和计算速度的影响,测试了 10 种不同的卷积神经网络架构,并在保证检测效率(以 mAP 度量)的前提下,显著提高 LiDAR 点云中 3D 物体检测速度。
Sep, 2022
该论文提出了一种解决方案,通过实现快速动态体素化器,以便在快速基于柱体模型中像体素化器在缓慢的基于体素模型中工作一样工作,实现网络推理速度和精度的提高。此外,作者还提出了轻型检测子头模型来分类预测的物体,并过滤出虚假的检测物体,从而显著提高模型的精度,在可忽略的时间和计算成本内。
Jan, 2023
本文研究基于激光雷达点云的三维检测在自动驾驶的感知系统中的重要性,并提出了 LiDAR R-CNN,这是一种可改进任何现有三维检测器的第二阶段检测器,采用了基于点的方法解决了实时和高精度要求的问题,在实际中具有普适性和优越性能。
Mar, 2021
本篇论文介绍了一种新型编码器 PointPillars,该编码器可以将点云转为适合下游检测通道的格式,可应用于众多机器人应用中的物体检测,证明其在速度和准确性上都优于现有编码器,可优化无人驾驶等应用领域。
Dec, 2018
本篇论文提出了一种适用于自动驾驶的简单灵活的物体检测框架,该框架基于车载点云数据的稀疏性质,通过柱状体进行多视角特征学习来解决过去方法因锚点不平衡带来的问题,采用一种新的适配柱状体的映射模块实现更精准的检测,而且该算法还避免了过去方法中涉及超参数搜索的问题,较大地提高了 3D 物体检测的准确率。
Jul, 2020
提出的 PillarNeXt 方案利用多线 LiDAR 和基于点云的三维探测器,在自动驾驶中提取多尺度特征,并通过特征编码、骨干网络和网络结构改进来优化性能。
May, 2024
提出了一种结合单目和基于点云的三维检测的平衡方法,使用低成本、低分辨率的传感器获取仅有 512 个点,然后将这有限的三维信息与单张图像结合重建完整的三维点云,通过与多模态现成的三维检测器结合使用,使得三维检测的准确率相比于最新的单目检测方法提高了 20%,相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。
Apr, 2024