Dec, 2023

自动驾驶中鸟瞰空间高效三维物体检测的卷积网络方法

PDF
TL;DR3D 物体检测在俯视（Bird's-Eye-View）空间中最近成为自动驾驶领域的一种普遍方法。本研究提出了一种高效的基于 BEV 的 3D 检测框架 BEVENet，通过采用仅卷积的架构设计，克服了 ViT 模型的局限性，同时保持了 BEV 方法的有效性。实验证明，BEVENet 在 NuScenes 挑战赛中比当代最先进方法快 3 倍，同时在 NuScenes 验证数据集上获得 0.456 的平均精确度（mAP）和 0.555 的 nuScenes 检测分数（NDS），推断速度为 47.6 帧每秒。据我们所知，这是首次实现如此显著的 BEV 方法效率改进的研究，突显了它们在实际自动驾驶应用中的可行性提升。
3d object detectionbird's-eye-view (bev) spaceautonomous drivingvision-transformer (vit)bevenet
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

  • BEVDet：高性能多摄像头鸟瞰视角三维物体检测

    本文介绍了一种名为 BEVDet 的算法，它能够基于 Bird-Eye-View 拍摄的视频进行 3D 目标检测，通过利用数据增强策略和升级最大值抑制策略来提高性能，同时在精度和时间效率之间实现出色的平衡。

    Dec, 2021

  • OCBEV: 基于物体的 BEV Transformer 用于多视角 3D 物体检测

    提出了一种新的 Object-Centric query-BEV 检测器 OCBEV 方法，它可以更有效地针对动态场景中移动目标的时间和空间线索。经过在挑战性的 nuScenes 数据集进行广泛实验评估后，该方法取得了最先进的结果，比传统的 BEVFormer 提高了 1.5 个 NDS 点，并具有更快的收敛速度和更少的训练迭代次数来达到相似的性能。

    Jun, 2023

  • 自主驾驶中基于鸟瞰图表示的 3D 物体检测鲁棒性研究

    本文评估了多种具有代表性的模型在各种情况下的自然和对抗鲁棒性，以全面了解它们如何受到包含和不包含 Bird's-Eye-View 特征的影响，重点关注自主驾驶安全问题，发现了一些警示性的结论。

    Mar, 2023

  • BEVHeight++：面向稳健的视觉中心化三维目标检测

    利用智能路侧摄像头扩展感知能力来解决现有视觉中心的鸟瞰检测方法在路侧摄像头上性能较差的问题。通过回归地面高度并结合高度和深度编码技术，提出了一种简单而有效的方法，名为 BEVHeight++，在 2D 到 BEV 空间的映射中取得了更准确和稳健的结果，超过了其他方法，拥有较好的性能表现。

    Sep, 2023

  • YOLO-BEV：以同样的方式生成鸟瞰图像与 2D 物体检测

    YOLO-BEV 是一种高效的框架，通过特殊的周围摄像机设置生成车辆环境的 2D 鸟瞰图，利用空间表示提供有效处理，在实时自动驾驶系统中具有潜在的快速部署和改变未来视角的潜力。

    Oct, 2023

  • SparseBEV: 高性能稀疏 3D 多镜头视频物体检测

    SparseBEV 是一种全更稀疏的三维物体检测器，通过尺度自适应自注意力、自适应时空采样和自适应混合等关键设计，在 BEV 空间和图像空间中实现了优于稠密对应物的性能。

    Aug, 2023

  • DualBEV: CNN 是视角变换中所需的全部

    Camera-based Bird's-Eye-View perception, DualBEV, eliminates the need for a resource-intensive Transformer by proposing a unified framework utilizing a shared CNN-based feature transformation, resulting in state-of-the-art performance and comparable efficiency to the Lift-Splat-Shoot approach.

    Mar, 2024

  • RCBEVDet: 用于三维物体检测的鸟瞰雷达 - 摄像头融合

    RCBEVDet 是一种在鸟瞰视角下将雷达和相机融合的三维物体检测方法，通过设计 RadarBEVNet 网络进行雷达鸟瞰特征提取，并结合交叉注意力多层融合模块实现自动对齐和融合多模态特征，取得了领先于现有方法的检测结果。

    Mar, 2024

  • 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