DART：雷达新视角综合的隐式多普勒层析
本文介绍了一个称为分布感知视网膜变换（DART）的通用视觉描述符，它使用对数极坐标格来编码结构上下文。作者将 DART 描述符应用于四个不同的问题，并展示了 DART 在解决目标分类、跟踪、检测和特征匹配方面的性能。
Oct, 2017
基于 LiDAR 的 LiDAR4D 框架，通过 4D 混合表示和几何限制，实现了具有几何感和时间一致性的动态重构技术。
Apr, 2024
本文提出了一种用于 LiDAR 传感器的新型视角合成任务，并介绍了一种可微分的 LiDAR 渲染器及其结合神经辐射场的端到端框架，证明了该方法在多种数据集上的优越性。
Apr, 2023
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
介绍了一种轻量级的注释工具 ——Data AnnotatoR Tool (DART)，用于标记分层结构数据。通过使用后端序列到序列模型，该系统可以迭代地分析注释标签以更好地对未标记数据进行采样。在模拟实验中，DART 显示了其在标记大量结构化数据、减少注释总数以及自动建议相关标签等方面的优越性能。
Oct, 2020
应用神经网络在雷达图像中进行目标检测，在自动驾驶方面显示出巨大潜力。为了解决真实雷达图像数据集获取的困难，特别是在长距离检测和恶劣的天气和光照条件下，雷达性能表现优异的场景，我们提出了 RadSimReal - 一种创新的物理雷达模拟工具，能够生成各种雷达类型和环境条件下的合成雷达图像及其标注，无需收集真实数据。令人惊讶的是，我们的研究结果表明，在 RadSimReal 数据上训练目标检测模型，并随后在真实世界数据上进行评估，产生的性能水平与在相同数据集上训练和测试的模型相当，甚至在跨不同真实数据集进行测试时，性能更好。RadSimReal 相比其他物理雷达模拟工具具有优势，因为它不需要了解雷达设计细节，而雷达供应商通常不会公开这些细节，并且具有更快的运行时间。这个创新工具有潜力推进基于雷达的自动驾驶应用的计算机视觉算法的发展。
Apr, 2024
本文提出了一种基于合成孔径雷达（Synthetic Aperture Radar, SAR）图像的高分辨率模拟的表面微波渲染模型，通过光线追踪和快速映射投影技术实现了 SAR 成像，并构建了基于 SAR 图像的可微光线追踪引擎，通过学习表面散射参数，展示了在各种观测条件下 SAR 图像模拟性能的显著提升。
Jan, 2024
NeuRAD 是专为动态自动驾驶数据量身定制的强大的新视图合成方法，具有简单的网络设计、广泛的传感器建模和适应多个数据集的能力，并在多个领域取得了最先进的性能。
Nov, 2023
本文提出了 DART 数据集，其中包含超过 82k 条开放领域结构化数据到文本生成实例。我们通过从表中提取语义三元组的方式，以及利用标头之间的语义依赖关系和表标题来编码表的结构，提出了一种数据到文本生成的注释程序。我们还将从开放领域语义解析和对话行为意义表示任务中提取的异构源有效地合并，以及提出了数据集构建框架，利用树本体注释、问答对到陈述句的转换和谓词统一等技术进行最少的后期编辑。我们在 DART 上进行了系统评估，并展示了 WebNLG 2017 的最新成果，证明 DART（1）对现有数据到文本数据集提出了新的挑战，（2）促进了跨领域的泛化。
Jul, 2020