Mar, 2024

PillarGen: 基于柱体的点生成网络增强雷达点云密度与质量

PDF
TL;DR我们提出了一种新颖的点云生成模型，称为 Pillar-based Point Generation Network (PillarGen)，它可以将一个域中的点云转换为另一个域中的点云，并生成密度和质量增强的合成点云。该模型通过三个步骤进行：pillar 编码、被占用 pillar 预测和 pillar 到点生成。我们利用自有的雷达数据集评估了 PillarGen 的性能，在短程雷达数据中利用长程雷达数据作为监督实现了密度和质量的提升。实验证明，PillarGen 在定量和定性指标上优于传统的点云上采样方法。我们还证实，将 PillarGen 应用于鸟瞰目标检测可以显著提高检测准确性。
pillar-based point generation networkpoint generation modelpillar encodingoccupied pillar predictionsynthetic point clouds
发现论文，激发创造
  • PointPillars: 基于点云的目标检测快速编码器

    本篇论文介绍了一种新型编码器 PointPillars，该编码器可以将点云转为适合下游检测通道的格式，可应用于众多机器人应用中的物体检测，证明其在速度和准确性上都优于现有编码器，可优化无人驾驶等应用领域。

    Dec, 2018

  • PillarNeXt: 针对 LiDAR 点云的 3D 物体检测重新思考网络设计

    本文提出了基于 pillar 的算法模型在 LiDAR 3D 目标检测中的效果以及在架构和训练等方面的现代化设计，通过扩大感受野等方法取得了显著提升，在 Waymo 开放数据集和 nuScenes 数据集上实现了最优性能。

    May, 2023

  • PillarNet: 基于柱状物的实时高性能三维物体检测

    本文针对自动驾驶中实时、高性能三维物体检测的问题，提出了基于支柱的检测器 PillarNet。与现有的点云和三维卷积方法不同，PillarNet 仅使用 2D 卷积且具有高效灵活等特点，经过大规模数据集测试表明比现有方法有更好的效果和性能。

    May, 2022

  • PillarAcc：边缘设备上用于实时点云 3D 物体检测的稀疏 PointPillars 加速器

    本研究提出了一种具有开创性的算法硬件协同设计，利用 PointPillars 编码的稀疏性加速 3D 目标检测网络的处理，达到了极高的节能与速度。

    May, 2023

  • 通过时空虚拟网格进行细粒度柱特征编码的 3D 物体检测

    为了成功商业化自动驾驶汽车，开发基于 LiDAR 的高性能实时架构对于至关重要。本文介绍了一种名为 FG-PFE 的新型 pillar 编码架构，它利用 STV 网格来捕捉每个 pillar 内 LiDAR 点云的细粒度分布。通过 STV 网格，每个 pillar 内的点云分别使用垂直、时间和水平维度进行编码，并通过 Attentive Pillar Aggregation 方法进行聚合。实验结果表明，FG-PFE 相较于基线模型如 PointPillar，CenterPoint-Pillar 和 PillarNet，在计算开销仅略微增加的情况下取得了显著的性能改进。

    Mar, 2024

  • 雷达物体检测网络中点云的改进多尺度网格渲染

    提出了一种新颖的多尺度 KPPillarsBEV 架构，该架构通过新颖的网格渲染方法（KPBEV）将点云上下文编码到网格渲染中，进而提高了雷达目标检测的性能，并在 nuScenes 数据集上进行了广泛实验，取得了显著的性能优于基线和先前的最新技术。

    May, 2023

  • R2P：从毫米波雷达到点云的深度学习模型

    该研究论文提出了一种名为 Radar to Point Cloud (R2P) 的深度学习模型，用于将低可视性环境下基于 mmWave 雷达的粗糙和稀疏点云转换为物体的 3D 点云表示，以实现目标检测和在自主导航系统中的应用，实验结果表明其优于现有的流行方法。

    Jul, 2022

  • PillarGrid: 面向车载 - 路侧 LiDAR 的基于深度学习的协同感知 3D 物体检测

    提出了在自动驾驶中利用多雷达协同感知的 PillarGrid 方法，包括点云预处理、柱体分割、多传感器特征融合、基于 CNN 的物体检测等阶段，实验证明该方法能够显著提高 3D 物体检测的精度和范围。

    Mar, 2022

  • PillarNeSt: 基于主干网络扩展和预训练的基于柱状体的三维物体检测

    本研究论文展示了 2D 背骨缩放和预训练对基于 pillar 的三维物体探测器的有效性，通过引入在大规模图像数据集上预训练的密集 ConvNet 作为 pillar-based 探测器的 2D 背骨，基于模型大小自适应设计的 ConvNets 可根据点云的特征（如稀疏性和不规则性）发挥其在点云领域的扩展能力，我们提出的 PillarNeSt 在 nuScenes 和 Argoversev2 数据集上远远超过现有的 3D 物体探测器。

    Nov, 2023

  • 基于柱状物的自动驾驶目标检测

    本篇论文提出了一种适用于自动驾驶的简单灵活的物体检测框架，该框架基于车载点云数据的稀疏性质，通过柱状体进行多视角特征学习来解决过去方法因锚点不平衡带来的问题，采用一种新的适配柱状体的映射模块实现更精准的检测，而且该算法还避免了过去方法中涉及超参数搜索的问题，较大地提高了 3D 物体检测的准确率。

    Jul, 2020