May, 2024

通过类平衡损失和多尺度表示改进 3D 占据预测

PDF
TL;DR通过引入新颖的 UNet-like 多尺度占用头模块以及类别平衡损失，克服了传统基于 Birds-Eye-View（BEV）的感知架构无法表示不同尺度 BEV 特征的缺陷，在 nuScenes 3D 占用挑战数据集上实验结果表明了我们所提出方法的优越性。
3d environment recognitionautonomous driving systems3d occupancy predictionbev-based perceptionunet-like multi-scale occupancy head module
发现论文，激发创造
  • 场景作为占用

    通过提出一种新的 3D Occupancy 表示法 (OccNet)，并在 nuScenes 数据集上建立了 OpenOcc，我们方法能够有效地为多个驾驶任务提供有力的支持，并取得了显著的性能收益，例如运动规划可以实现 15％-58％的碰撞率降低。

    Jun, 2023

  • 基于时空学习的动态环境下未来占据栅格的预测

    我们提出了一种时空预测网络管道，它可以从环境和语义标签中获取过去的信息来生成未来的占用预测，并将其应用于复杂的 nuScenes 数据集中，相较于当前 SOTA，我们的方法可以预测长达 3 秒的占用情况，并不需要 HD-Maps 和明确模拟动态物体。

    May, 2022

  • UniOcc: 基于几何和语义渲染的视觉中心化三维占据预测统一

    本技术报告介绍了 UniOCC 解决方案，它采用空间几何约束和体积光线渲染来提高 3D 占用预测性能，从而在 CVPR2023 的 nuScenes Open Dataset Challenge 中获得了 51.27％的 mIoU，在 3D 占用注释成本方面具有很大的潜力。

    Jun, 2023

  • Occ3D：面向自动驾驶的大规模三维占据预测基准

    本研究提出了一种新的 3D 占据预测任务，旨在从多视图图像中估计对象的详细占据和语义信息，并介绍了 Coarse-to-Fine Occupancy (CTF-Occ) 网络模型，该模型在 3D 占据预测任务中表现出优越的性能。

    Apr, 2023

  • FastOcc: 通过融合二维俯视图和透视视图加速三维占据预测

    在自动驾驶中，通过分析网络效应和延迟，本文提出了一种名为 FastOcc 的新方法，通过用轻量级的 2D BEV 卷积网络代替时间消耗较大的 3D 卷积网络，加快模型的推理速度，同时保持准确性，从而实现了优越的性能。

    Mar, 2024

  • SOGDet：语义占据引导的多视角三维物体检测

    在自动驾驶领域，准确和全面地感知三维环境至关重要。本文提出了一种名为 SOGDet 的新方法，它利用三维语义占用分支来改善三维物体检测的准确性，通过综合视角建模物理上下文，实现了对三维环境的更全面感知。实验证明，SOGDet 提高了三种基线方法在 nuScenes 数据集上的性能，从而有助于构建更强大的自动驾驶系统。

    Aug, 2023

  • CVPR 2023 3D 占据预测挑战赛 4th Place 多尺度 Occ 解决方案

    本报告介绍了通过采用 Multi-Scale Occ 方法进行 3D 占用预测的方式，在 CVPR 2023 挑战赛中获得了第四名，并通过模型混合、测试时增强和类别敏感的阈值进一步提高了最终性能。

    Jun, 2023

  • PanoOcc：面向基于相机的三维全景分割的统一占据表示

    本文介绍了一种名为 PanoOcc 的方法，它是一个基于相机的 3D 全景分割方法，它使用体素查询来聚合来自多帧和多视角图像的时空信息，并将特征学习和场景表示集成到一种全面的占用表示中，用于摄像机 3D 场景理解的统一占用表示，从而实现了更好的摄像机语义分割和全景分割结果，并且该方法可以很容易地扩展到密集的占用预测。

    Jun, 2023

  • Occ-BEV: 通过三维场景重建实现多摄像机联合预训练

    通过设计 3D 解码器来利用多视图图像的鸟瞰图（BEV）特征预测 3D 场景的占位情况，为多摄像头智能驾驶提供了一种先进的、可行的和经济高效的解决方案，并取得了显着提升的结果。

    May, 2023

  • OccuSeg：基于占据度感知的三维实例分割

    本文介绍了 3D 实例分割中使用的 Occupancy Size 作为度量标准，以增强性能，并提出了一种基于 Occupancy Size 的 OccuSeg 实例分割方法，其利用多任务学习产生了占用信号和嵌入表示，并使用聚类方案鼓励正确聚类难样本，避免过度分割，是目前在 ScanNetV2、S3DIS 和 SceneNN 等 3 个真实数据集上表现最优秀的方法。

    Mar, 2020