利用激光雷达点云的端到端三维物体检测
本研究提出了一种使用单目摄像头和 LiDAR 数据结合的机器学习技术,通过以国际排名领先的二维物体探测器生成的锥体区域来分割 LiDAR 点云,从而检测运动平台周围的车辆的 3D 边界框参数, 最终验证集准确率达到 87.1%。
May, 2021
我们提出了一个大规模的三维车道数据集 LiSV-3DLane,其中包含 2 万帧环视 LiDAR 点云,通过丰富的语义注释,捕捉了城市和高速公路环境中的复杂车道模式。为了解决稀疏的 LiDAR 数据在车道标注中的问题,我们利用车道线的几何特征和 LiDAR 数据的固有空间属性,设计了一个简单而有效的自动标注流程。我们还提出了一种新颖的基于 LiDAR 的三维车道检测模型 LiLaDet,将 LiDAR 点云的空间几何学习融入到基于 Bird's Eye View(BEV)的车道识别中。实验结果表明,LiLaDet 在 K-Lane 数据集和我们的 LiSV-3DLane 上的三维车道检测任务中优于现有的基于摄像头和 LiDAR 的方法。
Sep, 2023
通过利用 LiDAR 数据辅助进行无监督的二维对象检测,同时采用基于 3D 点云和 2D 图像特征的迭代分割标签网络对候选对象进行标签生成和训练,从而解决了之前存在的问题,得到了较为合理的检测结果。
Nov, 2020
本文研究基于激光雷达点云的三维检测在自动驾驶的感知系统中的重要性,并提出了 LiDAR R-CNN,这是一种可改进任何现有三维检测器的第二阶段检测器,采用了基于点的方法解决了实时和高精度要求的问题,在实际中具有普适性和优越性能。
Mar, 2021
该论文系统地回顾了现有的深度学习体系结构在 LiDAR 点云中的应用,包括用于自动驾驶的特定任务如分割、检测和分类,并总结了近五年来超过 140 个重要贡献,包括 3D 深度架构、3D 语义分割、目标检测和分类方面的深度学习应用以及特定的数据集、评估指标和最新的性能。最终,我们总结了剩余的挑战和未来研究方向。
May, 2020
探索如何建立一种去除人工延迟限制的目标检测器,而是在流数据上运作来显着降低延迟,该方法有助于减少推理硬件的峰值计算负载,同时实现竞争性甚至优越的预测性能。
May, 2020
本研究讨论了一种实时的用于自动驾驶场景的动态物体检测算法,该算法利用了先前建立的 Lidar 点云的静态背景模型,并将动态物体检测视为背景减法问题。研究者提出了拒绝级联结构用于对道路区域和其他 3D 区域分别进行减法操作,该算法基于 CARLA 模拟器进行了初步实现和准确度评估。
Sep, 2018
本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法,采用了 PointNet 网络模型,成功实现了对各种形状复杂、点云分布不均匀的人工目标(如电力塔)的高效检测和分割。
Oct, 2022
提出了一种结合单目和基于点云的三维检测的平衡方法,使用低成本、低分辨率的传感器获取仅有 512 个点,然后将这有限的三维信息与单张图像结合重建完整的三维点云,通过与多模态现成的三维检测器结合使用,使得三维检测的准确率相比于最新的单目检测方法提高了 20%,相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。
Apr, 2024
提升单目深度学习算法中对于三维场景物体检测的表现,通过伪 LIDAR 点云实现与 LIDAR 算法的融合,最终在 KITTI 基准测试中取得了最优结果。
Mar, 2019