May, 2023

MotionBEV：基于鸟瞰图外观和运动特征的受关注的在线激光雷达移动物体分割

PDF
TL;DR本文提出了 MotionBEV，一种快速准确的 LiDAR 移动物体分割框架，能在面向鸟瞰图 (BEV) 域内结合外观和动态特征分割移动物体。通过将 3D LiDAR 扫描转换成 2D BEV 表现形式达到实时性能，平均推理时间为 23ms，具有最先进的性能和实际有效性。
发现论文，激发创造
  • 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

  • MaskBEV: 面向鸟瞰图的联合物体检测和轮廓补全算法

    提出了 MaskBEV，一种基于鸟瞰图的面罩型目标检测器神经架构，用于检测单个 BEV 实例掩模，同时重塑检测问题，完全基于分类处理。

    Jul, 2023

  • M$^2$BEV：多摄像机联合三维检测和分割，统一鸟瞰视角表示

    本文提出了一个称为 M2BEV 的统一框架，它可以通过多摄像头图像输入在 Birds Eye View（BEV）空间中联合执行三维物体检测和地图分割，是一个高效的方法。实验结果表明，M2BEV 在 3D 对象检测和 BEV 分割方面的性能优于现有技术。

    Apr, 2022

  • 使用几何和语义点云进行鸟瞰图语义分割

    本文介绍了使用车载摄像头拍摄的 RGB 图像进行鸟瞰视角像素级别的物体语义分割的方法，为了解决这个问题，提出了一种新的两阶段感知管道，它明确预测像素深度，并将它们与像素语义结合起来进行有效的推断，同时，使用抽象的高层几何特征进行转移学习，方法能够提高 24% 的 mIoU。

    Jun, 2020

  • GraphBEV：面向多模态三维物体检测的鲁棒 BEV 特征对齐

    本文提出了一种名为 Graph BEV 的稳健融合框架，通过解决 LiDAR 和相机 BEV 特征之间的不准确对齐问题，实现了最先进的性能，mAP 为 70.1％，超过了 BEV Fusion 1.6％，在存在不对齐噪声的条件下超过 BEV Fusion 8.3％。

    Mar, 2024

  • MotionNet: 基于鸟瞰图的自动驾驶联合感知与运动预测

    本文提出了一种高效的深度学习模型 MotionNet，通过 LiDAR 扫描的数据实现自动驾驶中的感知和运动预测，该模型基于一种新颖的时空金字塔网络，可以提取深层次的时空特征，并且通过空间和时间一致性约束进一步规范了模型的训练。实验证明，该方法的性能明显优于现有的基于场景流和 3D 目标检测的方法，有望在自动驾驶中提供备用方案和对运动规划员提供补充信息。

    Mar, 2020

  • 物体作为时空 2.5D 点

    提出一种基于弱监督学习的方法来估计具有鸟瞰视角位置的物体的三维位置，该方法可以在单个前馈网络过程中联合学习回归 2D 对象检测和场景深度预测，并在不需要 3D 或 BEV 注释或 LiDAR 数据的情况下对物体进行建模。

    Dec, 2022

  • 基于全景分割引导的 LiDAR 多视角三维物体检测通用框架

    本研究提出了一种利用分割信息指导检测过程的多任务框架，该框架联合执行三维物体检测和全景分割，可利用多视角信息解决每个投影视图的缺陷，并通过前景语义信息和中心密度热力图来提示物体的可能框中心位置。在 nuScenes 数据集上进行的大量实验表明，该方法提供了显著的性能提升，基于单级 CenterPoint 3D 物体检测网络的所提出方法在 nuScenes 3D 检测基准上取得了 67.3 NDS 的最新性能。

    Mar, 2022

  • BEVCar: 融合相机和雷达的纯电动车地图和物体分割

    通过将原始雷达数据编码为点云并将图像特征转化到鸟瞰空间中，我们引入了一种名为 BEVCar 的新型方法，用于联合 BEV 对象和地图分割，并且在 nuScenes 数据集上的实验表明，BEVCar 在环境条件复杂和远距离物体分割方面的性能优于现有技术。

    Mar, 2024

  • 基于混合二维语义场景生成的 LiDAR 三维物体检测

    本研究提出了一种将三维环境的语义和几何以二维形式编码的场景表示法，并使用辅助网络预测显式和隐式语义概率的组合作为更好的 BEV 特征学习的密集监督信号，实验证明该设计可以轻松集成到大多数先进的三维物体检测器中，并始终改善基线模型。

    Apr, 2023