Apr, 2024

DaF-BEVSeg: 镜头畸变感知的鱼眼摄像机鸟瞰图分割与遮挡推理

PDF
TL;DR通过创建综合道路类型、天气和光照条件的合成数据集，并使用具有失真感知学习的鱼眼摄像机，将基于 BEV 的语义分割通用化，进一步引入遮挡推理模块，以提高 BEV 空间的性能。
semantic segmentation3d bird's eye viewbev segmentationfisheye camerasocclusion reasoning
发现论文，激发创造
  • 使用几何和语义点云进行鸟瞰图语义分割

    本文介绍了使用车载摄像头拍摄的 RGB 图像进行鸟瞰视角像素级别的物体语义分割的方法，为了解决这个问题，提出了一种新的两阶段感知管道，它明确预测像素深度，并将它们与像素语义结合起来进行有效的推断，同时，使用抽象的高层几何特征进行转移学习，方法能够提高 24% 的 mIoU。

    Jun, 2020

  • BEVSegFormer: 任意相机架构的鸟瞰视角语义分割

    本文介绍了 BEVSegFormer，一种有效的基于转换器的方法，用于从任意摄像机装置进行 BEV 语义分割。

    Mar, 2022

  • 视角鸟瞰语义分割的半监督学习

    本文提出了一种新颖的半监督框架，用于通过利用未标记的图像在训练过程中提高视觉鸟瞰（BEV）语义分割的性能，包括使用一致性损失约束模型在语义预测和 BEV 特征上，以及一种名为联合旋转的新颖且有效的数据增强方法，在保持前视图像与 BEV 语义分割之间的几何关系的同时扩充数据集。对 nuScenes 和 Argoverse 数据集进行的大量实验证明了我们的半监督框架可以有效提高预测准确性。据我们所知，这是第一项利用未标记数据改进视觉 BEV 语义分割性能的工作，代码将公开提供。

    Aug, 2023

  • 多装载车辆摄像头图像转换成鸟瞰视角语义分割图像的 Sim2Real 深度学习方法

    该论文提出了一种使用多个车载摄像头获取 360 度鸟瞰图像的方法，并利用神经网络进行分割和预测，以解决单目摄像头在环境感知中的距离估计问题。该方法包括一个语义分割和遮挡区域预测步骤，通过合成数据训练神经网络，实现了对真实世界数据的普遍适用。与透视变换法相比，该方法在合成数据实验中表现出了优越性。

    May, 2020

  • 鱼眼城市驾驶图像的通用语义分割

    本文提出了一种七自由度的增强方法，将平面图像转化为鱼眼图像，提供了一种通用的解决方案，以改善模型的精度和鲁棒性。该模型适用于不同的鱼眼相机，提供了特定参数设置，并在实际鱼眼图像上取得了令人满意的结果。

    Jan, 2020

  • SG-BEV：卫星导航 BEV 融合用于跨视图语义分割

    该论文介绍了一种用于卫星和街景图像对的细粒度建筑属性分割的新方法，通过引入鸟瞰图方法解决了传统方法中建筑物立面特征获取的局限性，并通过新的卫星引导的投影模块优化了传统方法中特征分布不均匀的问题。该方法在来自多个城市的四个跨视图数据集上取得了显著的改进，与最先进的基于卫星和跨视图的方法相比，平均 mIOU 提高了 10.13% 和 5.21%。

    Apr, 2024

  • 通过任务分解提高鸟瞰图语义分割

    将鸟瞰视图中的语义分割任务分解为 BEV 地图重建和 RGB-BEV 特征对齐两个阶段，通过将 RGB 输入图像映射到第一阶段的 BEV 潜在空间，并在特征级别上直接优化两个视图之间的相关性，实现了复杂和具有挑战性场景的有效处理。

    Apr, 2024

  • 鸟瞰图分割中的视角鲁棒性

    自动驾驶车辆需要神经网络在感知方面能够适应不同的视角，以便在多种类型的车辆中使用而无需重复地进行数据收集和标注。本研究通过大量实验发现，现有的感知模型对于摄像机视角的变化非常敏感，因此提出了一种方法来在车辆类型之间进行缩放，从而避免了额外的数据收集和标注成本，并通过引入新颖的视图合成技术，训练适用于各种车辆类型的鸟瞰图分割模型。

    Sep, 2023

  • BEVCar: 融合相机和雷达的纯电动车地图和物体分割

    通过将原始雷达数据编码为点云并将图像特征转化到鸟瞰空间中，我们引入了一种名为 BEVCar 的新型方法，用于联合 BEV 对象和地图分割，并且在 nuScenes 数据集上的实验表明，BEVCar 在环境条件复杂和远距离物体分割方面的性能优于现有技术。

    Mar, 2024

  • SA-BEV: 多视角 3D 目标检测中生成语义感知鸟瞰特征

    本文介绍了一种 Semantic-Aware BEV Pooling (SA-BEVPool) 的方法，通过语义分割图像特征来过滤背景信息，并将图像特征转化为语义感知的 BEV 特征。同时，提出了一种与语义感知 BEV 特征相匹配的有效数据增强策略 BEV-Paste。此外，设计了一个多尺度交叉任务头（MSCT），结合特定任务和交叉任务的信息来更准确地预测深度分布和语义分割，进一步提高语义感知 BEV 特征的质量。最后，将这些模块整合到一个新的多视角 3D 目标检测框架 SA-BEV 中，在 nuScenes 数据集上达到了最先进的性能。

    Jul, 2023