May, 2024

FADet：一种基于本地突出特征的多传感器三维物体检测网络

PDF
TL;DR基于多传感器融合和局部特征注意力模块，本文提出了 FADet，一种用于自动驾驶任务的多传感器 3D 检测网络，能够在相机、LiDAR 和雷达输入下的长尾和复杂场景中实现有效的目标检测结果，并在 LiDAR - 相机和雷达 - 相机目标检测任务上达到了最先进的性能。
autonomous driving3d object detectionmulti-sensor fusionlocal featured attention modulesfadet
发现论文，激发创造
  • DeepFusion: 适用于激光雷达、相机和雷达的强健模块化三维物体检测器

    DeepFusion 提出了一种模块化的多模态架构，用于融合 lidar，相机和雷达以进行 3D 物体检测，实验结果证明了其灵活性和有效性，并探讨了远距离汽车检测和所需的激光点密度对 3D 物体检测的影响。

    Sep, 2022

  • 2D 物体检测的多任务跨模态注意力融合

    提出两种新的雷达预处理技术，并引入了多任务跨模态注意融合网络（MCAF-Net）来进行目标检测，相对于现有的基于雷达和相机融合的目标检测算法具有更强的鲁棒性，特别是在恶劣的天气条件和夜间场景下。

    Jul, 2023

  • SparseDet: 一种简单而有效的基于全稀疏 LiDAR 的 3D 物体检测框架

    提出了一种基于稀疏查询的 SparseDet 稀疏三维物体检测方法，通过局部多尺度特征聚合模块和全局特征聚合模块，完整地捕捉了上下文信息，提高了代理物体表达能力。实验结果在 nuScenes 和 KITTI 上验证了该方法的有效性。

    Jun, 2024

  • SAFDNet：一种简单有效的全稀疏 3D 物体检测网络

    通过设计自适应特征扩散策略，提出了一种用于完全稀疏的三维目标检测的高效架构 SAFDNet，并在长距离检测场景中证明了其有效性。

    Mar, 2024

  • FUTR3D: 一个用于 3D 检测的统一传感器融合框架

    提出了第一个统一的端到端传感器融合框架 ——FUTR3D，使用了基于查询的通用特征采样器（MAFS）和一种集合损失的 Transformer 解码器进行 3D 检测。FUTR3D 在各种传感器组合上都得到了有效验证，并且具有在不同传感器配置下实现低成本自动驾驶的优点。

    Mar, 2022

  • 用于自动驾驶的多视角三维物体检测网络

    该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks（MV3D）框架，该框架采用多传感器融合技术，将 LIDAR 点云和 RGB 图像作为输入，并预测有方向的 3D 界限框。实验表明，该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25％和 30％，在 2D 检测中也表现出显著的技术优势。

    Nov, 2016

  • FusionAD: 自动驾驶的预测和规划任务的多模态融合

    FusionAD 是第一个将相机和激光雷达传感器融合的统一框架，通过多模态特征的优势，在感知任务中实现了领先水平。

    Aug, 2023

  • 雷达体素融合用于 3D 目标检测

    该研究论文通过数据融合不同传感器的数据，开发了低水平的传感器融合网络来进行 3D 物体检测，并提出了一种新的损失函数来提高检测和方向估计性能。在 nuScenes 数据集上的测试结果表明，与基准 lidar 网络相比，融合雷达数据可以提高约 5.1% 的检测分数，特别适用于暴雨和夜晚场景。而融合额外相机数据只有与雷达融合共同使用时才有积极的贡献，这表明传感器间的相互依赖对检测结果很重要。

    Jun, 2021

  • CRAFT：基于空间 - 上下文融合 Transformer 的相机 - 雷达三维物体检测

    提出了一种基于早期融合方法和跨通道自适应交叉注意力机制的摄像头与雷达融合的方法，可实现更有效的三维目标检测，并在 nuScenes 测试集中达到了 41.1％的 mAP 和 52.3％的 NDS，相比摄像头基线提高了 8.7 和 10.8 个百分点。

    Sep, 2022

  • 用于资源高效的 RGB 目标检测的雷达引导动态视觉注意力

    该论文提出一种新的雷达引导空间注意力融合方法，以提高自动驾驶车辆在动态环境下的感知质量，用于检测远距离和小型物体，并在 nuScenes 数据集上进行验证，结果表明该方法在提高基线 yolov3 检测器的召回率方面有了较大的改进。

    Jun, 2022