CVPRJun, 2023

Bi-LRFusion: 双向 LiDAR-Radar 融合用于 3D 动态物体检测

PDF
TL;DR介绍了一种双向 LiDAR-Radar 融合框架，Bi-LRFusion，通过学习 LiDAR 分支的重要细节增强 Radar 的本地特征，从而解决 Radar 数据的稀疏性和缺乏高度信息的问题，并在 nuScenes 和 ORR 数据集上进行了广泛实验，显示出优于现有技术的表现，最终通过统一的俯视图表示将 LiDAR 特征与增强的 Radar 特征相结合用于动态目标的 3D 检测。
发现论文，激发创造
  • LiRaFusion：深度自适应激光雷达 - 雷达融合用于三维目标检测

    提出 LiRaFusion 以解决基于 LiDAR 和雷达的三维目标检测的问题，并通过早期融合模块和中期融合模块来改善特征提取能力，最终在 nuScenes 上取得了显著改进。

    Feb, 2024

  • BiCo-Fusion: 双向互补 LiDAR - 相机融合用于语义和空间感知的 3D 目标检测

    提出了一种新颖的双向互补激光雷达 - 摄像头融合框架 BiCo-Fusion，可以实现鲁棒的语义感知和空间感知的 3D 目标检测。

    Jun, 2024

  • RaLiBEV：雷达和激光雷达 BEV 融合学习的无锚框目标检测系统

    该论文提出一种基于鸟瞰视角融合学习的无锚定框物体检测系统，融合雷达和光学雷达的特征来估计可能的目标，并采用新颖交互式变形模块来进一步提高性能。在最近发布的牛津雷达机器人车数据集上进行测试，该系统在 0.8 IoU 下的性能显着优于最佳现有技术方法，可在清晰和雾天下分别提高 14.4％和 20.5％的平均精度。

    Nov, 2022

  • 设计有效的卷积网络进行雷达激光雷达融合目标检测

    利用雷达和激光雷达的融合技术提高在恶劣天气条件下的物体检测和定位的准确性。

    Oct, 2023

  • DeepFusion: 适用于激光雷达、相机和雷达的强健模块化三维物体检测器

    DeepFusion 提出了一种模块化的多模态架构，用于融合 lidar，相机和雷达以进行 3D 物体检测，实验结果证明了其灵活性和有效性，并探讨了远距离汽车检测和所需的激光点密度对 3D 物体检测的影响。

    Sep, 2022

  • 雷达体素融合用于 3D 目标检测

    该研究论文通过数据融合不同传感器的数据，开发了低水平的传感器融合网络来进行 3D 物体检测，并提出了一种新的损失函数来提高检测和方向估计性能。在 nuScenes 数据集上的测试结果表明，与基准 lidar 网络相比，融合雷达数据可以提高约 5.1% 的检测分数，特别适用于暴雨和夜晚场景。而融合额外相机数据只有与雷达融合共同使用时才有积极的贡献，这表明传感器间的相互依赖对检测结果很重要。

    Jun, 2021

  • RadarNet：利用雷达实现动态物体的鲁棒感知

    本文提出了一种利用 Radar 和 LiDAR 传感器进行感知的方案，包括基于体素的早期融合和基于注意力的后期融合，可在目标检测和速度估计任务中实现最先进的结果，并进一步显示利用 Radar 可以提高远程目标探测和动态目标运动理解的感知能力。

    Jul, 2020

  • LXL：激光雷达独占的 3D 物体检测，结合 4D 成像雷达和相机融合

    该论文探讨了基于 4D 成像雷达和摄像头的图像视图转换策略并提出一种 “雷达占用格辅助深度采样” 的方法，该方法在 VoD 和 TJ4DRadSet 数据集上的实验结果均表现出较高水平的 3D 物体检测性能。

    Jul, 2023

  • 自动驾驶系统中环绕雷达 / 激光雷达的及时融合用于目标检测

    雷达和激光雷达传感器数据融合能够充分利用它们的互补优势，并为自动驾驶系统提供更准确的周围环境重建。本文介绍了一种基于最先进的目标检测模型 MVDNet 的技术，可以以由更快速的激光雷达限定的工作频率来融合全景雷达和激光雷达，从而满足自动驾驶系统对高响应性的要求，并通过增强训练过程来探索 MVDNet 中的时间冗余，以实现高输出频率且准确度损失较小。

    Sep, 2023

  • CRAFT：基于空间 - 上下文融合 Transformer 的相机 - 雷达三维物体检测

    提出了一种基于早期融合方法和跨通道自适应交叉注意力机制的摄像头与雷达融合的方法，可实现更有效的三维目标检测，并在 nuScenes 测试集中达到了 41.1％的 mAP 和 52.3％的 NDS，相比摄像头基线提高了 8.7 和 10.8 个百分点。

    Sep, 2022