CVPRMay, 2023

DynStatF: 一种高效的用于 LiDAR 3D 目标检测的特征融合策略

PDF
TL;DR本文提出了一种新的特征融合策略 DynStaF，它通过动态分支和静态分支的结合来增强多帧提供的丰富的语义信息，并有效提取和聚合补充特征，DynStaF 包含两个模块，一个是邻域交叉注意力模块（NCA），另一个是动静交互模块（DSI），经在追踪算法中的大量实验验证，DynStaF 相较于原有算法提高了性能。
lidar3d object detectionfeature fusion strategyneighborhood cross attentiondynamic-static interaction
发现论文，激发创造
  • ShaSTA-Fuse: 摄像头 - LiDAR 传感器融合以建模形状和时空亲缘性用于 3D 多目标跟踪

    使用 3D 多目标跟踪、相机 - LiDAR 融合、感知信号、亲和性估计和跟踪置信度改进等关键词，本文提出了一种新颖的相机 - LiDAR 融合方法，用于学习亲和性，从而大幅度提升数据关联、跟踪管理、误检剔除、误漏传播以及跟踪置信度的精细化等方面的性能。

    Oct, 2023

  • 稀疏融合稠密：基于深度补全的高质量 3D 检测

    本文提出了一种基于 SFD 框架的多模态方法，采用由深度补全生成的伪点云来解决点云稀疏性问题，并提出一种新的 3D RoI 融合策略 3D-GAF 来更好地利用不同类型点云的信息。同时，本文还介绍了通过数据增强等措施让多模态框架利用 LIDAR-only 方法。最后，实验表明本文所提出的方法在 KITTI 3D 目标检测排行榜上获得了最高的入口，证明了其有效性。

    Mar, 2022

  • 基于运动引导的序列融合技术用于点云序列的高效三维物体检测

    本文提出了一种基于运动引导的序列融合（MSF）方法，通过利用物体的运动连续性来挖掘有用的序列上下文，结合双向特征聚合（BiFA）模块和基于体素采样的点云池化技术，使得数百万个点能够在几毫秒内被处理，实现了比其他多帧检测器更好的效率和领先的准确性，并在 Waymo Open Dataset 的 LEVEL1 和 LEVEL2 测试集上分别取得了 83.12% 和 78.30% 的 mAP。

    Mar, 2023

  • 动态特征选择过程中的目标跟踪

    DFST 提出了一种基于实时选择本地和时间上有区别的特征的优化视觉跟踪算法，该算法嵌入了自适应颜色名称（CN）跟踪系统中的特征选择机制，同时采用无监督方法 “Infinite Feature Selection”（Inf-FS）来排名特征，通过使用快速在线算法来学习字典，实现了特征选择和跟踪的动态设置。

    Sep, 2016

  • DASSF：用于航空目标检测的动态注意力尺度序列融合

    本文提出了一种适用于航拍图像中小目标检测的动态注意力尺度序列融合算法 (DASSF)，通过改进 YOLO 算法的能力以感知不同尺度的目标来提高密集重叠小目标和模糊目标的检测精度。实验结果表明，在 VisDrone-2019 和 DIOR 数据集上，将 DASSF 方法应用于 YOLOv8 时，与 YOLOv8n 相比，模型的平均精度 (mean average precision) 分别提高了 9.2% 和 2.4%，超过了当前主流方法。

    Jun, 2024

  • 基于光流的动态稠密 RGB-D SLAM 系统 FlowFusion

    研究使用光流残差技术实现动态语义感知的 RGB-D 环境下的 SLAM，同时实现动静分割、相机运动估计和静态背景重建。实验证明该方法在动态和静态环境中都比现有的方法具有更高的精度和效率。

    Mar, 2020

  • 点云学习的动态局部特征聚合

    本文提出了一种动态特征聚合 (DFA) 方法，通过在特征域内构建局部图，进行 k - 最近邻探索潜在位置和特征相似性信息，结合原始点云低维全局特征表达，以增强特征表示，从而有效地进行点云分类。

    Jan, 2023

  • 基于激光雷达的全景分割技术研究：动态偏移网络

    本文提出了 Dynamic Shifting Network (DS-Net)，作为点云领域强大的全景分割框架，具有端到端的语义和实例分割能力，采用可变核函数的动态偏移聚类模块，采用基于共识的融合来应对语义和实例预测之间的分歧，并在 SemanticKITTI 和 nuScenes 数据集上取得了优秀的性能表现。

    Nov, 2020

  • 用于 3D 目标检测的密集体素融合

    提出了基于 Dense Voxel Fusion 的序列融合方法，该方法对于自主车辆应用中的 3D 物体检测具有重要意义。通过直接使用地面真实 3D 边界框标签进行训练，避免使用嘈杂的、特定于检测器的 2D 预测。DVF 在 KITTI 3D 汽车检测基准测试中排名第三，且不引入额外的可训练参数，也不需要使用立体图像或密集深度标签。此外，在 Waymo 开放数据集上，DVF 显著提高了基于体素的方法在 3D 车辆检测方面的性能。

    Mar, 2022

  • FGFusion：用于三维物体检测的细粒度激光雷达 - 摄像头融合

    我们提出了 Fine-Grained Lidar-Camera Fusion (FGFusion) 方法，通过设计双通路层次结构提取图像的高级语义和低级详细特征，引入辅助网络指导点云特征学习细粒度的空间信息，最后采用多尺度融合 (MSF) 方法将图像和点云的特征融合，通过在 KITTI 和 Waymo 两个常用的自动驾驶基准上进行的大量实验验证了我们方法的有效性。

    Sep, 2023