Nov, 2023

汽车雷达数据中移动物体的同时杂波检测和语义分割

PDF
TL;DR我们研究了一种新的多头神经网络架构，同时解决了雷达点云中的杂波检测和移动道路用户的语义分割问题，并通过只使用一个输出值来表示网络的预测结果，从而达到了与传统特定任务模型相同的推断时间，我们在 RadarScenes 数据集上的广泛评估中证明了我们的设置非常有效，并且在雷达场景的语义分割上优于现有的任何网络。
radar sensorsclutter detectionsemantic segmentationneural networksradarscenes dataset
发现论文，激发创造
  • 多视角雷达语义分割

    该研究通过使用汽车雷达等主动传感器，提出了基于端到端可训练模型的多视角分析方法，实现了场景的语义分割，进一步提高自动驾驶的效率和准确性。

    Mar, 2021

  • 使用点云卷积进行雷达检测的语义分割

    通过将点云处理为无序数据格式，使用 PointCNN 基于深度学习的方法对雷达点云进行语义分割的性能超过基于 PointNet++ 的现有方法，以解决卷积在雷达点云上的不规则性和排列变化性挑战。

    May, 2023

  • RGB-D 目标检测与语义分割用于杂乱环境中的自主操作

    通过利用深度融合技术和深度学习的物体检测和语义分割算法，我们成功地解决了在复杂场景中感知目标物体的问题，并在 Amazon Picking Challenge2016 和紧急响应场景数据集上进行了验证。

    Oct, 2018

  • 利用 PointNet 在空中雷达点云中对无人机碰撞危险进行分割

    利用雷达技术进行航空点云的语义分割，同时识别多个碰撞威胁，提高无人机的环境感知能力和安全性。

    Nov, 2023

  • 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

  • TransRadar：适应方向变换的实时多视角雷达语义分割

    我们提出了一种新的方法，通过一种新的架构和损失函数对雷达场景进行语义分割，从而克服了雷达数据的固有噪声、稀疏性以及前景和背景的不平衡。我们的方法 TransRadar 在 CARRADA 和 RADIal 数据集上优于现有方法，并且模型尺寸更小。

    Oct, 2023

  • RSS-Net: 基于 FMCW 雷达的弱监督多类语义分割

    本文介绍了一种有效的注释过程以及其应用，旨在利用 FMCW 扫描雷达对感知环境进行端到端的丰富语义分割。通过利用迄今为止收集的最大雷达集中的城市自治数据集，我们避免了繁琐的手动标注，并将雷达扫描与 RGB 相机和 LiDAR 传感器相关联，在此过程中，语义分割已经是一个已经巩固的程序。最后，我们使用多通道雷达扫描输入呈现网络，以处理短暂的和动态的场景对象。

    Apr, 2020

  • 2D 物体检测的多任务跨模态注意力融合

    提出两种新的雷达预处理技术，并引入了多任务跨模态注意融合网络（MCAF-Net）来进行目标检测，相对于现有的基于雷达和相机融合的目标检测算法具有更强的鲁棒性，特别是在恶劣的天气条件和夜间场景下。

    Jul, 2023

  • LiDAR-BEVMTN：用于自动驾驶的实时激光雷达鸟瞰式多任务感知网络

    LiDAR 在自动驾驶中具有重要作用，本文提出了一种基于 LiDAR 的实时多任务卷积神经网络，用于对象检测、语义分割和运动分割，并在汽车级嵌入式平台上实现了 3ms 延迟，取得了语义分割和运动分割的最新成果以及 3D 物体检测的接近最新成果。

    Jul, 2023

  • 稀疏雷达点云中可靠的动态实例分割：雷达实例转换器

    通过使用雷达传感器在点云中进行运动实例分割，我们提出了一种可以增强场景解释的方法，在安全关键任务中取得了优秀的性能表现。

    Sep, 2023