Dec, 2023

利用自我监督学习引导自主雷达启动

PDF
TL;DR自主车辆的感知问题中，使用雷达来感知的能力使其引起了研究人员的兴趣，然而，由于昂贵和难以标注大规模雷达数据，训练雷达模型一直存在困难。为了解决这个瓶颈问题，我们提出了一种自我监督学习框架，利用大量无标签的雷达数据来预训练仅用于自动驾驶感知任务的雷达嵌入。该方法结合了雷达对雷达和雷达对视觉的对比损失，从配对的无标签雷达热图和相应的相机图像中学习出一种通用表示。在下游目标检测任务中应用时，我们证明了该自我监督框架能够提高现有监督基线方法的 mAP 准确度 5.8%。
autonomous vehiclesradarsself-supervised learningradar dataobject detection
发现论文，激发创造
  • 利用自监督实例对比学习进行雷达物体检测

    本文提出了一种自我监督学习的雷达目标检测预训练框架 RiCL，通过利用雷达的检测和时间信息，可以用较少的数据来预训练目标检测模型，实验结果表明我们的方法在范围 - 多普勒图中可以学习到物体的通用表示，并且只需要使用整个训练集数据 20% 的标注数据就能达到与监督学习相似的 M-Average [email protected]。

    Feb, 2024

  • 基于知识引导的预测架构的 SAR ATR 自监督学习

    通过使用本文提出的具有知识引导预测架构，通过预测未见上下文的多尺度 SAR 特征表示，将传统 SAR 领域特征提取与最先进的可扩展自监督学习相结合，以准确的广义特征表示进行 SAR 目标识别，这一方法在各种下游数据集上验证成功，并在 SAR 目标识别中实现了一致的性能提升。

    Nov, 2023

  • 基于占据估计的汽车激光雷达自我监督

    本论文提出一种基于自监督学习的点云深度感知模型预训练方法，通过表面重建预训练任务和基于潜在向量的感知头来抓取表面信息的语义片段并提高对象检测和场景语义分割性能。

    Dec, 2022

  • 自监督学习用于声纳图像分类

    本研究探讨了三种自监督学习方法（RotNet，去噪自编码器和 Jigsaw）在水下机器人领域中，能否在无需大型标记数据集的情况下学习高质量的声纳图像表示，并提出了预训练和迁移学习的结果。结果表明，三种方法的自监督预训练可在少数样本迁移学习设置中实现与有监督预训练相当的分类性能。

    Apr, 2022

  • 自主驾驶车辆感知的自监督学习：分析和学习方法的调和

    本文介绍了自监督学习技术在自动驾驶感知中的应用，其能够替代传统手动标注的方式，为自动驾驶中的不同任务提供了有效的替代方法，并提出了未来自监督学习系统设计中的重要挑战。

    Oct, 2019

  • 自监督激光雷达分割用于自主室内导航学习

    本研究提出了一种自监督学习方法用于激光雷达帧的语义分割，通过结合 SLAM 和光线追踪算法实现自动化注释，训练预测机器人移动场景中的固定结构和可动目标的深度学习模型，同时改进机器人的导航和本地化性能，为机器人导航和目标定位提供了新的途径。

    Dec, 2020

  • 自动驾驶雷达：深度学习方法与挑战综述

    该研究综述雷达在自主驾驶车辆中的应用及挑战，提出了针对雷达数据的深度学习研究的关键主题，包括早期和晚期融合，占用流估计，不确定性建模和多径检测等，以及相关的雷达数据集、目前最先进的激光雷达和视觉模型等。

    Jun, 2023

  • 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

  • LISO：纯激光雷达无监督三维物体检测

    自动驾驶堆栈中，3D 物体检测是最重要的组成部分之一，但当前最先进的激光雷达物体检测器需要昂贵而缓慢的人工注释才能取得良好性能。我们引入了一种自我监督方法来训练 SOTA 激光雷达物体检测网络，该方法仅基于未标记的激光点云序列工作，我们称之为轨迹规范化自我训练。我们演示了我们的方法对于多个 SOTA 物体检测网络在多个真实世界数据集上的有效性。

    Mar, 2024

  • 自监督镜像雷达蒸馏用于自动驾驶数据

    该研究提出了一种针对自动驾驶数据量身定制的自监督 3D 感知模型预训练方法，使用 superpixels 来池化 3D 点特征和 2D 像素特征，训练 3D 网络来匹配虚拟对应的 2D 像素特征并提取特征，从而实现无需任何点云或图像注释的 3D 语义分割和车辆物体检测，进行了大量的自动驾驶数据集实验以证明其有效性。

    Mar, 2022