刷爆榜单！SAFDNet：纯稀疏点云检测问鼎Waymo（CVPR‘24）

清华大学博士张刚分享自动驾驶：基于特征扩散的稀疏点云检测技术,
转载 已于 2024-04-27 20:41:58 修改 · 478 阅读 · 1 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247601994&idx=2&sn=d763a76adc574cc7e563a2bba012865d&chksm=cf667469459ae1247e394e2fba6c79c32f48a5ad0aadeacfab123c5792c161560f147e81abc7&scene=126&sessionid=0
文章标签：

#自动驾驶 #目标检测

于 2024-04-27 00:01:25 首次发布

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

今天自动驾驶之心邀请来了清华大学博士生—张刚！为大家分享基于特征扩散的纯稀疏点云检测器！

如果您有兴趣分享相关学术成果，请联系AIDriver002！

更多行业咨询与技术分享，欢迎加入『自动驾驶之心知识星球』，相关将在星球内公布！

c170f99f6c772d437bcc4753f9e576fa.jpeg

哔哩哔哩关注自动驾驶之心，预约直播

694d9b3b6771b22a6f01a4656ab96d5a.png

自动驾驶之心B站

【自动驾驶之心】平台矩阵，欢迎联系我们！

d2037135e6888d148b30cbdad3e5f313.jpeg

《CVPR 2024 | SAFDNet》阅读笔记
Deathflower的博客
10-14 997
本文提出了SAFDNet，一种为完全稀疏三维目标检测量身定做的简单而高效的架构。在SAFDNet中，设计了一种自适应特征扩散策略(adaptive feature diffusion strategy)来解决中心特征缺失问题。通过密集卷积对3D体素进行处理，但计算成本极高，尤其是在稀疏点云的情况下。通过结合稀疏卷积和密集卷积，既提高了计算效率，又保证了较高的检测精度，是目前最常用的方法之一，SECOND和是其中的代表。则完全依赖于稀疏特征处理，进一步优化了计算效率，但在精度上还有待提升。总体来看，
扩散模型~合集2
whaosoft143ai的博客
03-30 700
具体而言，首先开发两种专门的预训练扩散模型，即文本驱动扩散模型（TDM）和主体增强扩散模型（SDM），用于场景和人物的生成。然后，在DINO语义的引导下，引入两个创新的约束来指导生成器的微调：i）方向变形损失，调整DINO空间中的方向向量；在缺乏图像-文本配对和文本提示的情况下，开发一种纯粹基于图像的训练范式，用于控制预训练文本到图像扩散模型的生成过程。传统的文本到图像扩散模型在生成准确的人物图像方面存在困难，例如不自然的姿势或不成比例的肢体。广泛的定性和定量比较证明方法人脸风格化方法方面的优越性。
CVPR'24 Oral | Waymo新SOTA！纯稀疏检测器SAFDNet的前世今生！
3D视觉工坊
06-06 398
本次分享我们邀请到了清华大学博士生张刚，为大家详细介绍他们CVPR2024中稿的工作：SAFDNet.如果您有相关工作需要分享，欢迎文末联系我们！SAFDNet: A Simple and Effective Network for Fully Sparse 3D Object Detection论文地址：https://arxiv.org/pdf/2403.05817代码地址: https://...
SAFDNet
whaosoft143ai的博客
05-17 436
3D点云物体检测对自动驾驶感知至关重要，如何高效地从稀疏点云数据中学习特征表示是3D点云物体检测面临的一个关键挑战。我们在本文中将会介绍团队发表在NeurIPS 2023的HEDNet和CVPR 2024的SAFDNet，其中HEDNet聚焦于解决现有稀疏卷积神经网络难以捕捉远距离特征间依赖关系的问题，而SAFDNet则是基于HEDNet构建的纯稀疏点云检测器。前世 - HEDNet研究背景主流方法通常将非结构化的点云转换为规则的体素，并使用稀疏卷积神经网络或Transformer来提取特征。大多数现有的稀
【CVPR2024】SAFDNet: A Simple and Effective Network for Fully Sparse 3D Object Detection
Hali_Botebie的博客
12-12 383
我们提出了一种完全稀疏的自适应特征扩散网络 (SAFDNet)，用于基于激光雷达的 3D 物体检测。在 SAFDNet 中，设计了一种自适应特征扩散策略来解决中心特征缺失问题。图2展示了所提议的（Sparse Adaptive Feature Diffusion Network）的总体架构。由于LiDAR点云通常位于物体表面，简单去除密集特征图会导致问题。为了解决这个问题，文章提出通过来传播体素特征，特别是对于小物体和背景，保留稀疏性，而对于大物体，扩展特征范围以更好地表示物体的中心。这种方法通过。
CVPR'24 Oral | 一览纯稀疏点云检测器SAFDNet的前世今生！
CV_Autobot的博客
05-17 1871
点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『3D目标检测』技术交流群论文作者|Gang Zhang编辑 | 自动驾驶之心写在前面&笔者的个人理解3D点云物体检测对自动驾驶感知至关重要，如何高效地从稀疏点云数据中学习特征表示是3D点云物体检测面临的一个关键挑战。我们在本文中将会介绍团队发表在NeurIPS...
Lidar-RCNN：基于稀疏点云的3D目标检测网络（CVPR2021）
3D视觉工坊
07-18 1842
作者丨柒柒@知乎来源丨https://zhuanlan.zhihu.com/p/390322842编辑丨3D视觉工坊论文标题：LiDAR R-CNN: An Efficient and U...
论文精读|VRCNet：变分关联点云补全网络（CVPR2021）
3D视觉工坊
08-03 3000
在 CVPR 2021 上，南洋理工大学 S-Lab 与商汤 IRDC 团队合作提出变分关联点云补全网络 (VRCNet)。如 Fig.1(a) 所示，VRCNet 首先预测出粗略形状框...
CVPR 2025 | “点级+提示级”双采样黑科技！MICAS重新定义3D点云上下文学习
Paper weekly
05-12 1394
这个机制将任务特征和当前点云的特征结合，通过正态化的 sampling weights 生成最终的采样结果。：通过对任务自适应点采样和查询特定提示采样的联合使用，MICAS 在所有被评估任务中均显著超越现有技术，特别是在部件分割任务中，性能相较于前作提升了 4.1%。3D 点云处理（PCP）涉及多种任务，如重建、去噪、配准、分割等，传统做法往往为每个任务设计特定模型，导致模型繁杂、成本高昂。利用任务相关的信息，优化每个点的采样过程，以提高不同任务间（例如重建、去噪、配准、分割）对点的选择精度。
spplatnet:用于点云处理的稀疏点阵网络(CVPR2018) - NVlabs/ spplatnet
01-27
SPLATNet: Sparse Lattice Networks for Point Cloud Processing (CVPR2018) License Copyright (C) 2018 NVIDIA Corporation. All rights reserved. Licensed under the CC BY-NC-SA 4.0 license (). Paper @in...
在matlab代码中增加激活函数-pointnetvlad:PointNetVLAD：基于深度点云的大规模场所识别检索，CVPR2018
05-27
在matlab代码中增加激活函数PointNetVLAD：基于深度点云的大规模位置识别检索 CVPR 2018，美国盐湖城 Mikaela Angelina Uy和Gim Hee Lee 新加坡国立大学 介绍 PointNetVLAD是一个深度网络，可通过基于点云的检索来...
扩散概率模型：3D点云生成新突破（CVPR 2021论文解读）
### 扩散概率模型在3D点云生成中的应用 #### 知识点概述 **标题分析** - **扩散点云**：指的是应用扩散过程在三维空间内生成点云的技术。在这个上下文中，点云是由众多点组成的集合，这些点代表了空间中物体的...
RandLA-Net: 大规模点云的高效语义分割(CVPR 2020) 牛津大学
weixin_43823175的博客
12-31 2590
RandLA-Net: 大规模点云的高效语义分割(CVPR 2020) 牛津大学 论文：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 代码：Github 相关网站 深蓝学院 基于三维点云场景的语义及实例分割 https://www.bilibili.com/video/BV1aE411T7Gf -Introduction to point cloud segmentation -RandLA-Net: Eff
Co-MTP：面向自动驾驶的多时间融合协同轨迹预测框架
m0_65010824的博客
12-02 747
本文是对论文《Co-MTP: A Cooperative Trajectory Prediction Framework with Multi-Temporal Fusion for Autonomous Driving》的深度解读。在自动驾驶领域，V2X技术虽能突破单车感知局限，但现有研究难充分利用帧间时间线索支撑轨迹预测。同济大学团队提出Co-MTP框架，创新实现历史与未来双时间域融合，以异构图Transformer处理不完整历史轨迹、扩展至未来域捕捉交互，在V2X-Seq数据集获最优性能。
基于perscan、simulink、carsim联仿的自动驾驶避障模型：动态工况下的边界约束...
2508_94198873的博客
11-30 316
从Carsim回传的数据看，车辆轨迹像被磁铁吸着一样紧贴道路中心线，横向位移始终控制在±1.5米内。顺便吐槽下Carsim的方向盘灵敏度，调参这事儿真是玄学，改天得专门写个自适应参数整定模块。这段代码里的road_width*0.8就是给马路边界留的缓冲带，相当于在真实道路边界内侧20%的位置画了条隐形的警戒线。这个clamp函数不仅防了转向过载，其实也暗戳戳守护了道路边界——转向角度越大，车辆横向位移变化率越高，限制转向本质上也是边界防护的手段之一。p1：对边界条件做了约束，避免为了避障而跑出马路。
自动驾驶之眼：动态目标理解的关键突破
最新发布
alex1013999的博客
12-02 645
自动驾驶系统中的动态目标理解是保障行车安全的核心技术，涉及目标检测识别、跟踪、状态估计和行为预测等多个环节。当前主流方法采用多传感器融合（摄像头、激光雷达、毫米波雷达）结合深度学习算法，但仍面临长尾场景、复杂交互、遮挡和预测不确定性等挑战。未来发展趋势包括深化多模态融合、发展交互式预测模型、利用高清地图信息以及探索端到端学习等方向。解决这些技术难题将推动自动驾驶在复杂道路环境中的安全应用。
Don’t Shake the Wheel: 端到端自动驾驶中的动量感知规划（MomAD）
m0_65010824的博客
12-02 835
本文是对论文《Don’t Shake the Wheel: Momentum-Aware Planning in End-to-End Autonomous Driving》的深度解读。在端到端自动驾驶领域，多模态规划易受单帧感知局限，存在时间不一致、遮挡敏感等问题。论文团队提出 MomAD 框架，引入轨迹与感知动量，通过 TTM 模块（豪斯多夫距离选轨迹）、MPI 模块（融合历史查询）及鲁棒去噪，结合 Turning-nuScenes 数据集与 TPC 指标，显著提升规划稳定性，降低碰撞率。
将NuScenes自动驾驶数据集导入Xtreme1标注平台
Hi20240217的博客
12-01 646
摘要：本文介绍了将NuScenes自动驾驶数据集转换为Xtreme1标注平台兼容格式的方法。NuScenes数据集包含多传感器数据和3D标注，而Xtreme1平台有其特定的数据组织要求。转换过程包括：1)数据结构映射，建立相机索引对应关系；2)坐标系转换，实现激光雷达与相机数据的对齐；3)点云格式从.bin转为.pcd；4)3D标注信息格式转换。通过Python脚本自动完成这些转换步骤，使用户能够在Xtreme1平台上高效标注NuScenes数据，支持2D/3D融合标注工作。
《自动驾驶与大模型融合新趋势：端到端感知-决策一体化架构分析》
nmdbbzcl的博客
12-01 663
从规则工程到大模型，从模块堆叠到端到端一体化。过去依赖工程师“穷举规则”的时代，已经无法支撑未来复杂城市交通与全球化扩张的需求；而以大模型为核心、端到端感知-决策一体化的架构，则在可扩展性、泛化能力和迭代效率上展现出巨大的潜力。特斯拉 FSD V12/13 用大规模端到端模型在量产车上完成了“从 perception-heavy 到 behavior-heavy”的范式转变；UniAD、DriveGPT4 等研究工作证明了，在学术基准数据集和模拟环境中，端到端一体化可以显著提升整体闭环表现；
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值