xiaohu的博客

为了安全地操作驾驶员辅助系统，必须清楚地识别和表征目标参数，即目标车辆的方向和尺寸。真实目标在反射停放的汽车、高速公路上的金属路障，甚至更大的路标等表面时的反射可能会导致错误的决定。这种不需要的目标被称为重影目标，并且应该避免。重影目标的识别，例如在穿墙成像的应用中，是众所周知的问题。通过精确了解反射表面的位置和方向，可以将重影目标与真实目标区分开来，如[1]所示。可以如[2]中那样应用发射波束成形来仅照射某个角度域，同时在整个角度域上进行接收。

点云语义分割在三维目标检测、场景识别以及高精度地图自动化构建等方面具有较大的应用价值，随着深度神经网络在计算机视觉领域的广泛应用，基于深度学习的点云语义分割方法成为该领域主流。如何提取来自空间中不规则分布的点的上下文信息，无论是局部的还是全局的。从聚合上下文信息的方法来看，主要有两种方式：参数化和非参数化。

本文算法在CVPR 2019自动驾驶Workshop 3D目标检测挑战赛中赢得了冠军。作者利用稀疏3D卷积提取丰富的语义特征，并将其输入到一个类别平衡的多头网络中进行3D目标检测。为了解决自动驾驶场景中天然存在的严重类别不平衡问题，作者设计了一个类别平衡采样和增强策略以生成一个更加平衡的数据分布。此外，作者还提出了平衡分组网络头，提升了具有相似形状类别的分类性能。本文提出的算法在所有评估指标上大幅优于PointPillars，在nuScenes数据集上达到SOTA的检测性能。

基于 LiDAR 或基于 RGB-D 的目标检测被用于从自动驾驶到机器人视觉的众多应用中。一段时间以来，基于体素的 3D 卷积网络在处理点云 LiDAR 数据时被用于增强信息的保留。然而，问题仍然存在，包括推理速度慢和方向估计性能低。因此，我们研究了一种用于此类网络的改进稀疏卷积方法，该方法显着提高了训练和推理的速度。我们还引入了一种新形式的角度损失回归来提高方向估计性能和一种新的数据增强方法，可以提高收敛速度和性能。.............................................

三维对象通常表示为点云中的 3D 框。这种表示模仿了基于图像的 2D 边界框检测，但也带来了额外的挑战。3D 世界中的对象不遵循任何特定的方向，基于框的检测器难以枚举所有方向或将轴对齐的边界框拟合到旋转的对象。在本文中，我们用点来表示、检测和跟踪三维物体。我们的框架 CenterPoint 首先使用关键点检测器检测对象的中心，然后回归其他属性，包括 3D 尺寸、3D 方向和速度。在第二阶段，它使用目标上的额外点特征来改进这些估计。在 CenterPoint 中，3D 对象跟踪简化为贪婪的最近点匹配。....

文章目录网络结构特征学习网络Voxel PartitionGroupingRandom SampllingVoxel Feature Encoding，VFESparse Tensor Representation卷积中间层区域提出网络（RPN）损失函数网络结构VoxelNet 将点云划分为等间隔的3D体素（Voxel），并通过新引入的体素特征编码（VFE）层将每个体素内的一组点转换为单一特征表示。通过这种方式，点云被编码为具有描述性的体积表示，然后将其连接到 RPN 以生成检测结果。VoxelNet

论文：https://arxiv.org/pdf/2108.05560.pdfgithub:https://github.com/LimHyungTae/patchwork摘要对于在地面移动平台上导航或邻近目标识别，地面分割是至关重要的。然而，地面并不平坦，存在陡峭的斜坡；崎岖不平的道路；或物体，例如路缘石、花坛等。为了解决该问题，本文提出了一种创新的，称为 Patchwork 的地面分割方法，它对于解决分割不足问题具有鲁棒性，并且工作频率超过 40 Hz。本文中，点云以基于同心区域模型划分，在 bi