Jun, 2024

DeTra：一个统一模型用于目标检测和轨迹预测

PDF
TL;DR我们提出了一种名为 DeTra 的模型，它使用 LiDAR 点云和高清地图，通过轨迹精化的方式，直接推断对象的存在、姿态和多模态的未来行为，取得了在 Argoverse 2 Sensor 和 Waymo Open Dataset 上多个指标方面明显优于现有技术的成果，而且各个组件的性能都对整体表现有积极贡献，通过大量消融实验验证了对任务的精化的价值及关键设计选择的作用。
object detectiontrajectory forecastingautonomous drivingrefinement transformerlidar point clouds
发现论文，激发创造
  • TrajectoryFormer：基于预测轨迹假设的三维物体跟踪变换器

    TrajectoryFormer 是一种基于点云的 3D 多目标跟踪 (MOT) 框架，通过使用带有时间预测框和当前帧检测框的多个轨迹假设进行轨迹框关联，结合长期目标运动特征和短期目标外观特征来创建每个假设的特征嵌入，引入全局 - 局部交互模块来模拟所有假设的空间关系，从而达到 Waymo 3D MOT 基准测试中的最佳性能。

    Jun, 2023

  • 用 Transformer 进行的多目标追踪的对比学习

    通过引入实例级对比损失、修订的采样策略和轻量级分配方法，我们展示了如何将 DETR 转化为 MOT 模型，学习目标的外观并保留检测能力，其性能在具有挑战性的 BDD100K 数据集上超过了先前的最新技术水平 2.6 mMOTA，并在 MOT17 数据集上与现有的基于 transformer 的方法相媲美。

    Nov, 2023

  • 单目图像道路用户检测、跟踪和预测的端到端框架

    自动驾驶中，多目标检测、跟踪和轨迹预测是关键任务，本文介绍了一种名为 ODTP 的端到端框架，采用了先进的在线多目标跟踪模型 QD-3DT 进行感知，并根据检测结果直接训练轨迹预测器 DCENet++，实验表明 ODTP 在轨迹预测方面取得了高性能，DCENet++ 相较于其他噪声检测结果训练的生成式和确定性轨迹预测模型更为准确和鲁棒。

    Aug, 2023

  • LabelFormer: 基于激光雷达点云的离车感知目标轨迹细化

    自动驾驶感知系统训练中的一个主要瓶颈是需要人工标注的监督，而一种有前景的替代方法是利用 “自动标注” 离线感知模型，它能够以较低的成本从原始 LiDAR 点云生成注释。本研究提出了一种简单、高效和有效的轨迹级精化方法 LabelFormer，该方法通过首先单独编码每帧的观测，然后利用自注意力对轨迹进行完整的时间上下文推理，并最终解码出精化的目标尺寸和每帧的位置。在城市和高速公路数据集上的评估表明，LabelFormer 在性能上显著优于现有方法。最后，我们展示了使用我们方法生成的自动标注增强数据集训练的效果，与现有方法相比，下游检测性能得到了改善。

    Nov, 2023

  • UA-DETRAC: 多目标检测和跟踪的新基准和协议

    本研究基于 UA-DETRAC 数据集，对多目标跟踪系统中目标检测精度对总体性能的影响进行了全面的量化研究，提出了新的综合分析工具和指标

    Nov, 2015

  • 利用激光雷达进行未来物体检测预测

    本研究提出了一种基于原始传感器测量而非基于标准轨迹的端到端方法来进行对象检测和运动预测，实现对多个未来情况的推理能力，并扩展了检测度量来检验预测准确性。

    Mar, 2022

  • 级联 DETR：深入高质量的通用目标检测

    我们引入了 Cascade-DETR 用于高质量的通用目标检测，通过提出级联注意力层来共同解决对多样领域的泛化和定位准确性问题，通过限制关注先前的目标框预测来显式地将对象中心信息集成到检测解码器中。为了进一步提高准确性，我们重新审视了查询的评分，不依赖于分类分数，而是预测查询的预期 IoU，从而显著提高了置信度的校准性，最后，我们引入了一个包含来自多个领域的 10 个数据集的通用目标检测基准，UDB10，在 COCO 上也取得了最新的进展，Cascade-DETR 在 UDB10 的所有数据集上都对基于 DETR 的检测器有了显著的改进，有些甚至超过 10 个 mAP，严格质量要求下的改进效果更加显著。

    Jul, 2023

  • 使用 Transformer 进行端到端的目标检测

    该研究提出了一种新方法，将目标检测作为直接集合预测问题进行处理，主要采用基于集合的全局损失和 Transformer 编码器 - 解码器架构构建 DETR 模型，能够高效地完成目标检测和全景分割任务，相较于许多现代检测器，DETR 模型概念简单且不需要专门的库。

    May, 2020

  • MotionTrack: 基于 Transformer 的端到端多目标追踪与 LiDAR - 摄像头融合

    提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法（MotionTrack），它由基于 Transformer 的数据关联（DA）模块和基于 Transformer 的查询增强模块组成，同时实现了多目标检测（MOD）。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果（AMOTA 得分为 0.55），与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。

    Jun, 2023

  • M3DeTR：基于 Transformer 的多表征、多尺度、互相关联的 3D 物体检测

    提出了一种新颖的 3D 物体检测架构 M3DeTR，它将不同的点云表示方法（原始、体素、鸟瞰图）和不同的特征尺度结合在一起，并基于多尺度特征金字塔来模型点云之间的相互关系。通过大量的消融实验，突出了特征尺度和表示方式融合，以及模型点云之间的相互关系的好处。在 KITTI 3D 物体检测数据集和 Waymo 开放数据集中取得了最先进的性能表现，并在一些类别中排名第一。

    Apr, 2021