激光雷达和视觉融合的3D目标检测算法（二）

原创 已于 2023-11-28 21:07:53 修改 · 1.2k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#3d #目标检测 #人工智能 #自动驾驶

于 2023-11-07 20:39:14 首次发布
paper 发表地方 代码链接 Nuscenes_test(NDS) Nuscenes_val(NDS) 备注
DistillBEV ICCV2023 pytorch代码 0.612 0.547 蒸馏学习
MetaBEV ICCV2023 pytorch代码 - 69.8 模态缺失，对齐
UniBEV ICCV2023 - - 58.7(avg(L+C,L,C)) 模态缺失，
最低0.47元/天 解锁文章
多传感器融合检测：激光雷达+摄像头如何互补？
热门推荐
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
09-03 19万+
多传感器融合检测：激光雷达+摄像头如何互补？​ ，人工智能，计算机视觉，大模型，AI，该文章围绕激光雷达与摄像头的多传感器融合检测展开，介绍了多传感器融合检测的基础概念与重要性，分析了激光雷达和摄像头各自的工作原理、优势及局限性，阐述了二者在数据、环境适应性和功能层面的互补性，还讲解了时间同步、空间校准、数据融合算法等关键技术，列举了在智能驾驶和机器人导航中的应用案例，提及面临的挑战与未来趋势，展现了这种融合技术的全貌。
机器人视觉：多传感器融合_（5）.激光雷达与视觉融合
zhubeibei168的博客
01-06 1315
激光雷达和视觉传感器的融合技术在机器人视觉领域具有重要的应用价值。通过时钟同步、空间对齐和数据关联，可以将两种传感器的数据有效地结合起来，提高机器人在导航、避障、目标检测和环境建图等任务中的性能。本文介绍了几种常见的融合方法和具体的代码示例，希望能为读者在实际应用中提供参考和帮助。
激光雷达和视觉融合的3D目标检测算法综述（一）
gui_hai的博客
11-28 1775
激光雷达和视觉融合的3D目标检测算法综述
​CVPR2023 | MSMDFusion: 激光雷达-相机融合的3D多模态检测新思路（Nuscenes SOTA！）...
CV_Autobot的博客
03-13 5357
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【3D目标检测】技术交流群后台回复【3D检测综述】获取最新基于点云/BEV/图像的3D检测综述！融合激光雷达和相机信息对于在自动驾驶系统中实现准确可靠的3D目标检测至关重要，由于难以将来自两种截然不同的模态的多粒度几何和语义特征结合起来，这是一个很大挑战。最近的方法旨在通过将2D相机图像中的提升点（称为“see...
激光雷达3D目标检测模型调研
奔袭的算法工程师
01-25 2149
PointPillars,采用Pillar编码方式编码PointCloud：在点云的俯视图的平面进行投影使之变成伪2D图，对这种投影进行编码用的是Pillar方法，即在投影幕上划分为 H * W 的网格，然后对于每个网格所对应的柱子中的每一个点取原特征（x,y,z,r,x_c,y_c,z_c,x_p,y_p）共9个，再然后每个柱子中点多于N的进行采样，少于N的进行填充0，形成了（9，N，H * W）的特征图。SE-SSD是在CIA-SSD基础上做的提升，整体网络基本接近，整体检测效果和推理时间也比较接近。
视觉与激光雷达融合3D检测（一）AVOD
scott198512的博客
05-30 3213
视觉与激光雷达目标检测
视觉笔记向 | 图像与雷达的数据融合算法（下）
m0_62976848的博客
10-20 1817
图像与雷达的数据融合算法
基于YOLO的3D目标检测（激光雷达点云）课程设计
03-05
在本课程设计中，我们将深入探讨“基于YOLO的3D目标检测（激光雷达点云）”这一主题。YOLO，全称为You Only Look Once，是一种实时的目标检测系统，最初被设计用于2D图像目标检测。然而，随着自动驾驶、机器人导航等...
3D目标检测跟踪：激光雷达+视觉的目标级融合
shawn_2021
01-02 9055
论文:Visual-LiDAR based 3D Object Detection andTracking for Embedded Systems-IEEE Access内容主要方法激光雷达地面滤波聚类+Bounding box拟合跟踪视觉雷达和视觉融合总结 论文中激光检测方法是在原工作基础上改进的，可阅读论文Dynamic Multi-LiDAR Based Multiple Object Detection and Tracking—sensors 内容 提出一种基于Lidar和camera融合的3D
语义分割特征的激光雷达3D目标检测算法
最新发布
weixin_45131592的博客
09-08 478
今天我们要解读的Seg-RCNN算法，从一个新颖的角度突破了这一局限：它巧妙地利用全场景的语义分割信息，来增强每个候选目标的特征表示，从而显著提升检测精度。首先，使用一个高效且高召回率的单阶段3D检测器（例如`PointRCNN`的第一阶段或`SECOND`）来处理原始点云，生成大量的3D候选框。通过聚合语义相似的点，有效解决了远处或被遮挡物体点云稀少的问题，大幅减少了漏检。Seg-RCNN的成功为我们提供了一个重要的范式启示：在3D视觉中，“分割”和“检测”并非两个独立的任务，而是一个相辅相成的整体。
激光视觉对齐小技巧
qq_40114620的博客
04-27 853
今天也分享一个在工程中遇到的问题：在做激光视觉融合的系统，利用视觉得到的语义信息投影到激光点云上时需要一个准确的外参，但是目前标定方法不能保证全图都投影的很准（和相机的内参和激光视觉的外参都有关系），那应该怎么做呢？ 首先解释一下为什么要把视觉的语义信息投影到激光点云上，我不是做深度学习的，但是根据那边的同学反应，现在视觉的语义分割网络可以得到66个lable，而且实时性也还可以，但是激光点云分割只能得到6个lable。所以利用视觉得到激光点云的语义信息很有意义。而且准确的外参是关键。 另外一个激光视觉的标
GraphAlign：Enhancing Accurate Feature Alignment by Graph matching forMulti-Modal 3D Object Detection
weixin_45932474的博客
05-16 2060
LiDAR和相机是用于自动驾驶中的3D物体检测的互补传感器。然而，点云与图像之间的非自然交互是一个具有挑战性的问题，关键在于如何进行异构模态的特征对齐。目前，许多方法仅通过投影标定实现特征对准，没有考虑传感器间坐标转换精度误差的问题，导致对准效果不理想。本文提出了一种基于图匹配的特征对齐策略GraphAlign。具体地，我们在图像分支中融合来自语义分割编码器的图像特征，并且在LiDAR分支中融合来自3D稀疏CNN的点云特征。为了节省计算量，我们通过计算划分为点云特征的子空间内的欧氏距离来构造最近邻关系。
GraphAlign：通过图匹配增强多模态3D目标检测的准确特征对齐
CV_Autobot的博客
10-27 1276
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>>点击进入→自动驾驶之心【3D目标检测】技术交流群论文作者| 汽车人编辑 | 自动驾驶之心原标题：GraphAlign: Enhancing Accurate Feature Alignment by Graph matching for Multi-Modal 3D Object Detection论文链接: ht...
综述 | 激光与视觉融合SLAM
小白学视觉
06-30 7769
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达SLAM包含了两个主要的任务：定位与构图，在移动机器人或者自动驾驶中，这是一个十分重要的问题：机器人要精确的移动，就必须要有一个环境的地图，那么要构建环境的地图就需要知道机器人的位置。本系列文章主要分成四个部分：在第一部分中，将介绍Lidar SLAM，包括Lidar传感器，开源Lidar SLAM系统...
Sort多目标跟踪中的：指派问题与匈牙利解法
计算机视觉
11-09 2055
https://blog.youkuaiyun.com/Kerrwy/article/details/81018202 https://blog.youkuaiyun.com/Wonz5130/article/details/80678410   多目标跟踪中SORT算法的理解 在跟踪之前，对所有目标已经完成检测，实现了特征建模过程。 1. 第一帧进来时，以检测到的目标初始化并创建新的跟踪器，标注id。 2. 后...
推荐开源项目：GraphAligner——长读段到基因图的高效对齐工具
gitblog_00090的博客
05-28 517
推荐开源项目：GraphAligner——长读段到基因图的高效对齐工具 1、项目介绍 GraphAligner 是一个种子扩展程序，专门用于将长而错误多变的测序读段准确地对齐到基因图上。它采用了先进的位向量动态规划算法，能在复杂图形结构中找到最佳对齐路径。该项目支持多种输入和输出格式，并与VG项目兼容，提供了一种灵活且高效的解决方案，以满足生物信息学领域的高级对齐需求。 2、项目技术分析 Grap...
自动驾驶感知系统的核心技术：激光雷达与视觉融合算法
水务人
08-07 1732
激光雷达与视觉融合已成为L3级以上自动驾驶的核心感知方案，通过整合激光雷达的高精度三维测距能力与视觉的丰富语义信息，突破单一传感器在极端场景下的性能瓶颈。本文系统解析融合算法的技术原理、主流架构及工程挑战，结合BEVFusion、FAST-LIVO2等前沿框架，深入探讨​​多传感器时空同步​​、​​特征级融合优化​​、​​退化场景鲁棒性增强​​等关键技术，为高可靠自动驾驶系统的落地提供理论支撑与工程指南。
SLAM多传感器融合调研
ojyoungman的博客
10-22 5387
多传感器融合SLAM 经过一段时间发展，逐步形成了视觉惯性系统，激光惯性系统和激光视觉惯性系统，通过对综述文章的学习，并聚焦于激光视觉惯性融合这一方向，分为松耦合与紧耦合，对相关融合算法文献进行调研。—提示：以下是本篇文章正文内容，下面案例可供参考。
激光SLAM总结——VLOAM / LIMO算法解析
weixin_44580210的博客
09-24 1万+
学习LOAM笔记——VLOAM算法解析学习LOAM笔记——VLOAM算法解析1. 总体框架 学习LOAM笔记——VLOAM算法解析 为什么要研究下VLOAM算法呢？因为效果好呀，VLOAM算法是在2015年ICRA上提出的，但是至今仍然在KITTI的odometry数据集上排名靠前，那么VLOAM一定有其过人之处 VLOAM原论文名为《Visual-lidar Odometry and Mapping: Low-drift, Robust, and Fast》，作者并没有对代码进行开源，幸运的是，在去年C
【综述】视觉和激光雷达融合SLAM | 传统方法| 最新2020
weixin_42344264的博客
06-01 6816
视觉和激光雷达的综述 A Review of Visual-LiDAR Fusion based Simultaneous Localization and Mapping 先介绍基本SLAM原理，再视觉SLAM，再激光SLAM，最后介绍两者融合SLAM Section 2：SLAM 1、SLAM的概率方法解释 2、基于图的SLAM框架 Section 3：V-SLAM 1、所有这些视觉SLAM在光线改变或者低纹理环境都容易出错。 Section 4：LiDAR Based SLAM 1、基于
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