Sep, 2024

未来重要性：通过时间运动估计增强点云序列中的3D物体检测

HTML
PDF
TL;DR该研究解决了在自主驾驶中，LiDAR 3D物体检测性能受限于点云数据的固有限制的问题。提出了LiSTM框架，通过引入非学习型运动估计模型生成的动态先验，利用运动引导特征聚合（MGFA）提升了空间-时间特征学习能力。实验表明，该框架在Waymo和nuScenes数据集上实现了更优异的3D检测性能。
发现论文，激发创造
  • LaserFlow: 高效率的概率化物体检测和运动预测

    LaserFlow是一种高效的方法，可从LiDAR进行3D物体检测和运动预测，在不需要数据体素化或压缩的情况下，使用LiDAR的本地测距视图表示，提出了新的多次扫描融合架构，同时提出了一种基于课程学习的概率分布学习新技术。与现有最先进的方法相比，我们在两个自动驾驶数据集上展示了有竞争力的结果。

    Mar, 2020

  • 任意运动侦测器：从一系列LiDAR点云学习无类别场景动态

    本文提出了一种新的实时方法，基于三维点云序列，采用时间上下文聚合实现动态检测和运动参数估计，可适用于自动驾驶车辆在复杂城市环境下进行安全导航，不仅可以估计车辆或行人等常见道路参与者的运动，还可推广到其他没有在训练数据中出现的物体类别，并对不同的时间上下文聚合策略进行了深入的分析，提供了我们最先进模型与KITTI场景流数据集上现有解决方案的比较结果。

    Apr, 2020

  • 基于流式处理的三维点云目标检测

    探索如何建立一种去除人工延迟限制的目标检测器，而是在流数据上运作来显着降低延迟，该方法有助于减少推理硬件的峰值计算负载，同时实现竞争性甚至优越的预测性能。

    May, 2020

  • MVFuseNet: 通过多视角融合 LiDAR 数据，提高端到端对象检测和运动预测的性能

    提出了一种名为MVFuseNet的方法，在利用脉冲激光雷达（LiDAR）数据时，通过多视图联合学习以及多尺度特征提取的方式，实现了目标检测和运动预测，取得了最新的技术成果，并且验证了该方法在大范围的自动驾驶数据集上可以很好地拓展并保持实时性能。

    Apr, 2021

  • MGTANet：使用长短期运动引导时间注意力编码顺序LiDAR点以进行3D物体检测

    本文提出了一种新的三维物体检测结构，该结构可以编码由多个连续扫描获取的LiDAR点云序列，并利用时空上下文实现较大的性能提升。通过短期运动感知体素编码和长期运动指导俯视图特征增强，可以对点云序列进行编码处理，结果显示，与基线方法相比，该模型在性能上显示出明显优越性，在某些三维检测类别方面表现出了最先进的性能。

    Dec, 2022

  • MoDAR: 通过动态预测在点云序列中进行3D物体检测

    MoDAR使用运动预测输出作为一种虚拟模态，以增强LiDAR点云，从而将物体信息从时间上下文向目标帧传播，通过将原始传感器点和虚拟点的融合点云馈送到任何现成的基于点云的三维物体检测器，可以极大地提高对遮挡和长距离物体的检测效果。

    Jun, 2023

  • 基于车辆运动预测的3D物体检测框架融合

    本文提出了一种基于历史帧和关联模型的3D物体检测方法——FrameFusion，使用车辆运动模型来确定物体的未来位置并应用加权非极大值抑制算法，从而获得融合后的帧，以此显著提高3D检测器的性能。

    Jun, 2023

  • SUIT: 学习3D时间检测的重要性指导信息

    本文提出了一种用于三维时间检测的有意义指导信息 (SUIT) 学习方法，它通过使用预测的物体质心来提取信息丰富但稀疏的特征，然后在稀疏特征之间学习物体中心转换，其在大规模 nuScenes 和 Waymo 数据集上具有良好的表现。

    Jul, 2023

  • LEF: 后期-早期时序融合在LiDAR 3D目标检测中的应用

    我们提出了一种基于时间LiDAR点云的迟到提早循环特征融合方案，用于3D物体检测。我们的主要动机是将物体感知的潜在嵌入融合到3D物体检测器的早期阶段。这种特征融合策略使模型能够更好地捕捉具有挑战性的物体的形状和姿态，相比直接从原始点学习。我们的方法以循环的方式进行迟到提早特征融合。这是通过在时间上校准和对齐的稀疏柱状令牌上施加基于窗口的注意力块来实现的。利用俯视图前景柱状分割，我们将模型需要融合到当前帧中的稀疏历史特征数量减少了10倍。我们还提出了一种随机长度的FrameDrop训练技术，它在推断时可以依据可变帧长度来改进性能而无需重新训练。我们在广泛采用的Waymo Open Dataset上评估了我们的方法，并证明在3D物体检测方面相对于基线模型有所改进，特别是对于挑战性的大物体类别。

    Sep, 2023

  • TimePillars: 时序循环的3D LiDAR物体检测

    通过时间周期性地利用LiDAR数据的柱状表示，TimePillars可以实现在硬件集成效率约束下利用Zenseact Open数据集的多样性和长距离信息，从而实现稳健且高效的目标检测。

    Dec, 2023