【论文阅读】【道路分割】Progressive LiDAR Adaptation for Road Detection

最新推荐文章于 2024-08-23 08:54:49 发布
原创 最新推荐文章于 2024-08-23 08:54:49 发布 · 2.2k 阅读 · 19 ·
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：

#道路检测 #KITTI #自动驾驶

本文介绍的PLARD方法结合图像和点云数据进行道路检测，通过Altitude Difference-based Transformation（ADT）处理点云信息，并采用Feature Space Transformation（FST）融合图像与点云特征。使用PSPNet作为backbone，通过多尺度训练和数据增强提升模型性能，最终在KITTI排行榜上取得第一。尽管创新性有限，但开源代码提供了实际应用价值。

文章目录

目前KITTI榜单第一，发表于自动化学报英文版。

好久没读Road Detection方面的论文的，该论文的结果虽然是KITTI榜单第一名，但我个人认为创新性和行文确实与发表在CV领域的顶会文章的有挺大差距。但也有个好的地方是该方法开源了。

PLARD

该方法使用了图像与点云两种数据，是将点云投影到图像上的方法。
在这里插入图片描述

ADT

Altitude Difference-based Transformation是制作点云那一支的输入的一个过程。其实就是将点云的高度信息投影到图像中，然后求取每个像素在其邻域内的高度差的平均值。
在这里插入图片描述

FST

Feature Space Transformation是转换lidar分支feature的一个步骤。首先用对应的lidar和image的feature学两个参数：
在这里插入图片描述
这就是总图中的“TN”（Transformation Network）。然后根据这两个参数，得到转换后的lidar的feature：

最低0.47元/天 解锁文章
KITTI结果领先地位！Progressive LiDAR Adaptation for Road Detection——PLARD算法
古月居
04-16 896
在此，我们研究了利用激光雷达数据进行道路检测时遇到的困难，并提出了一种新的更有效的方法，将激光雷达信息纳入基于视觉图像的道路检测系统。使用著名的KITTI道路检测基准[16]，我们对提出的PLARD系统进行了全面的实验，以评估提出技术不同部分的有效性，以及相对于基于视觉图像的道路检测系统的整体性能增益。多年来，分割技术已用于识别单目图像中的道路区域，最近，基于深度卷积神经网络（DCNN）的图像分割方法（如FCN[1]和DeepLab[2]）的引入显著提高了基于视觉图像的道路检测的性能。
Progressive LiDAR Adaptation for Road Detection学习笔记
One Way的博客
09-04 1414
道路检测 目的 为了更好的分割路面,使用雷达信息进行辅助,从而希望提高准确率. 但是因为使用雷达信息时会有很多问题. 困难一. 雷达数据和图片的空间信息不一致 困难二. 雷达数据与图片提取特征后得到的特征空间不一致 结构 大体结构如下:是一个双输入结构,上面的branch输入图片,下面的输入lidar信息,但是因为雷达存在数据空间和特征与图像不匹配的问题,于是在下层branch中,先用做对于数...
道路分割论文研读之D-LinkNet ：LinkNet with Pretrained Encoder and Dilated Convolution for High Resolution Sate
Rain
04-28 2915
本人最近在研究路网生成算法，遇到瓶颈，借鉴卫星图识别的经典算法。 1.Introduction: 道路提取可视为二值语义分割任务，像素级二分类。 卫星图路网分割的挑战： 1. 输入的图像是高分辨率的，因此网络应该有大的接收范围，可以覆盖整个图像。2. 卫星图像中的道路往往细长复杂，覆盖了整个图像的一小部分。在这种情况下，保存详细的空间信息非常重要。3. 道路具有天然的连通性和较大的跨度...
Hybrid Conditional Random Field based Camera-LIDAR Fusion for Road Detection
01-06 1159
摘要 道路检测是自动驾驶汽车的主要挑战之一。道路检测通常使用两种传感器：摄像头和激光雷达。但是，它们每个人都有一些固有的缺点。因此，传感器融合通常用于结合这两种传感器的优点。尽管如此，当前的传感器融合方法还是由摄像机或激光雷达主导，而不是同时兼顾两者。在本文中，我们扩展了条件随机场（CRF）模型，并提出了一种新颖的混合CRF模型，以融合来自摄像机和LIDAR的信息。对齐LIDAR点和像素后，我们...
推荐文章：探索道路检测新纪元 - PLARD，融合LiDAR与视觉的智慧结晶
gitblog_00538的博客
08-23 537
推荐文章：探索道路检测新纪元 - PLARD，融合LiDAR与视觉的智慧结晶 在自动驾驶和智能交通系统迅速发展的今天，道路检测成为了至关重要的技术环节。今天，我们带来了一款创新工具——PLARD（Progressive LiDAR Adaptation for Road Detection），它旨在通过高效的LiDAR数据与视觉图像的融合，革新道路检测的边界。 一、项目介绍 PLARD是一个基于...
RoadDetection：POC实时道路检测应用程序
02-10
RoadDetection：POC实时道路检测应用程序
Object Detection in 20 Years A Survey 论文阅读笔记
weixin_43422466的博客
04-16 2654
1.Introduction 作为计算机视觉的基本问题之一，目标检测构成了许多其他计算机视觉任务的基础，例如实例分割，图像捕获，对象跟踪等。从应用的角度来看，目标检测可分为两个研究主题“general object detection”和“detection applications”，前者旨在探索在统一框架下检测不同类型目标的方法，以模拟人类的视觉和认知，后一种指的是特定应用场景下的检测，例如行...
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
road detect matlab,detect.m · Song_Yuqi/yolov3-yolov4-matlab - Gitee.com
weixin_32272937的博客
03-22 217
%% custom inputaddpath('./CustomLayers/','./utils/')% clear all % 如果更换模型，需重置静态函数(影响性能)，否则可以不用清理cfg_file = 'cfg/yolov3.cfg';weight_file = 'weights/yolov3.weights';throushold = 0.5;NMS = 0.4;%% import a...
PLARD:用于道路检测的渐进式LiDAR自适应
04-16
平板 在PyTorch中实施的渐进式LiDAR自适应道路检测 该存储库再现了PyTorch中PLARD 的结果。 该代码主要基于 。 抽象的 尽管基于视觉图像的道路检测技术发展Swift，但由于光照变化和图像模糊等问题，如何在视觉图像中可靠地识别道路区域仍然具有挑战性。 为此，可以将LiDAR传感器数据并入以改进基于视觉图像的道路检测，因为LiDAR数据不易受到视觉噪声的影响。 但是，将LiDAR信息引入基于视觉图像的道路检测中的主要困难是LiDAR数据及其提取的特征与视觉数据和视觉特征不会共享相同的空间。 这样的空间间隙可能会限制LiDAR信息在道路检测中的优势。 为了克服这个问题，我们引入了一种新颖的渐进式LiDAR自适应道路检测（PLARD）方法，以将LiDAR信息适应基于可视图像的道路检测并提高检测性能。 在PLARD中，渐进式LiDAR适应包括两个后续模块：1）数据空间适应，通过
用progressive resizing提升CNN图像分类器性能
04-05
用progressive resizing提升CNN图像分类器性能，Boost your CNN image classifier performance with progressive resizing in Keras，by Aleksey Bilogur。
plard_kitti_road.pth
04-08
plard_kitti_road.pth
论文阅读笔记《Segmentation-based deep-learning approach for surface-defect detection》
深视
10-17 1604
核心思想   本文提出一种基于分割的表面缺陷检测算法，作者通过对网络结构的精心设计，能够仅利用30张带有标签的缺陷样本实现对网络的有效训练，实现了超过商业软件的检测效果。整个网络分成分割网络（Segmentation network）和判断网络（Decision network）两个部分，分割网络就是输出一个二元的分割图，将缺陷区域标记出来；判断网络就是根据分割网络的结果对该区域是否存在缺陷进行判断。网络结构如下图所示   如图所示，在分割网络中，输入图像经过多组卷积进行特征提取，并且每两个卷积组之间都有
Lidar L-shape corner点跟踪算法
weixin_42472382的博客
09-08 1575
paper: L-Shape Model Switching-Based Precise Motion Tracking of Moving Vehicles Using Laser Scanners 摘要 提出了一种基于L-shape的lidar目标跟踪算法，跟踪L-shape的角点而不是传统算法中的center点。 传统算法中center点的位置受到目标shape的影响，当目标的shape信...
【自动驾驶】KITTI Road Detection Benchmark Devkit_road使用
麒麒哈尔的博客
12-03 1393
文章目录 本文介绍一下KITTI中Road Detection 的Devkit的使用，主要是将输出格式变为KITTI上传格式的部分。 KITTI上传评测的格式要道路区域的俯视图，需要由前视图投影。使用官方给出的工具包。 该工具包是使用Python2运行的，因为其中print的格式是python2的。但我的环境是python3的，所以需要修改一些地方： 所有print的函数 其中assert x ...
【显著性物体检测】【CVPR2018】Progressive Attention Guided Recurrent Network for Salient Object Detection【论文笔记】
weixin_38682454的博客
03-21 1297
论文连接 这篇cvpr感觉比起同年的其他几篇显著性物体检测的，各有各的不同，使用的方法，看问题的角度也不一样，但都实现了比较不错的检测效果。给我的启示就是：目前的方法虽然效果很强，但一定有很多更强的方法等待去发现，希望自己不断积累，早点做出点东西。虽然也有人做了这篇文章的论文笔记，但是还是自己做一份，说说我的看法与感受。 摘要 显著性物体检测现在主流都是在backbone的基础上，充分利用...
road
learning notes
12-26 583
paper: Building and road detection from large aerial imagery homepage, slides,
Domain adaptation for object detection
wuguangbin1230的博客
11-30 1593
1. Cross-Domain Weakly-Supervised Object Detection through Progressive Domain Adaptation 出自：CVPR 2018,源代码中深度学习框架用的Chainer （1）数据集： 用PASCAL VOC 做 source domain 用他们自己建的：Clipark1k，Watercolor2k和Comic2k...
Progressive Distillation for Fast Sampling of Diffusion Models
最新发布
03-23
<think>好的，我现在需要帮助用户了解扩散模型中的渐进蒸馏方法，特别是用于加速采样的技术。首先，我得回顾一下自己对这个主题的理解，确保信息的准确性。扩散模型的基本原理是通过逐步去噪生成样本，但传统方法需要多次迭代，计算成本高。渐进蒸馏的目标是减少所需的采样步骤，同时保持生成质量。 接下来，我需要考虑用户可能的背景。用户可能已经了解扩散模型的基础，但想深入了解如何加速采样。渐进蒸馏作为其中一种技术，可能涉及到知识蒸馏和迭代优化的概念。我需要解释清楚其核心思想，比如如何通过逐步减少采样步骤来训练学生模型，同时保持教师模型的输出分布。 然后，我应该整理渐进蒸馏的具体步骤。可能包括初始化学生模型、迭代训练过程、损失函数的设计（如L2损失或KL散度），以及逐步减少采样步数的策略。同时，需要提到关键技术点，如一致性损失和时间步蒸馏，这些有助于保持生成质量。 还要引用相关的文献，比如Salimans和Ho的论文，以及后续研究者的工作，比如渐进蒸馏应用于Consistency Models的例子。确保引用标识正确，比如引用[^1]和[^2]，并自然地将这些引用融入解释中。 用户可能还想知道渐进蒸馏的优势和挑战，比如加速效果、训练成本的权衡，以及过简化可能导致的性能下降。需要客观地分析这些方面，帮助用户全面理解。 最后，生成的相关问题需要覆盖应用场景、优缺点比较、与其他加速方法的异同，以及实际应用中的效果评估。这些问题应引导用户进一步探索，同时保持与主题紧密相关。 现在需要组织这些信息，结构清晰，分步骤解释，使用正确的中文和LaTeX格式，确保独立公式用$$...$$，行内公式用$...$。例如，提到损失函数时使用$L_{\text{KD}}$，并在必要时展示公式如$\theta^* = \arg\min_{\theta} \mathbb{E}_{x,t}[\|f_{\theta}(x_t, t) - x_{t-1}\|^2]$。 检查是否有遗漏的关键点，比如是否提到了学生模型如何继承教师模型的知识，或者如何通过多阶段训练来逐步减少步骤。确保技术细节准确，同时语言通俗易懂，避免过于晦涩的术语。 总结思考过程后，组织成连贯的回答，分步骤解释渐进蒸馏方法，引用相关研究，最后提出相关问题供用户参考。这样用户能逐步理解该技术的工作原理和应用场景。</think>### 扩散模型中的渐进蒸馏方法 渐进蒸馏（Progressive Distillation）是用于加速扩散模型采样的关键技术，其核心思想是通过知识蒸馏将多步采样过程压缩为更少步骤，同时保持生成质量。 #### 方法步骤 1. **初始化学生模型** 学生模型（轻量级）结构与教师模型（原始扩散模型）相同，但参数需通过蒸馏重新训练。 2. **迭代蒸馏过程** - **阶段1**：教师模型通过多步（如$N$步）采样生成样本轨迹，学生模型学习模仿其单步更新。损失函数通常为轨迹预测的均方误差： $$L_{\text{KD}} = \mathbb{E}_{t,x_t}\left[\|f_{\theta}(x_t, t) - x_{t-1}\|^2\right]$$ 其中$f_{\theta}$为学生模型，$x_t$为时间步$t$的噪声数据。 - **阶段2**：逐步减少采样步数（如从$N$到$N/2$），重复蒸馏过程，直到学生模型能以极低步数（如4步）生成高质量样本。 3. **关键技术点** - **一致性损失**：强制学生模型在不同时间步生成一致的中间状态。 - **时间步蒸馏**：将连续时间步的更新合并为单步操作，降低计算复杂度。 #### 优势与挑战 - **优势**：采样速度提升$10\times$以上，生成质量接近原始模型[^1]。 - **挑战**：训练成本较高，可能因过度简化导致细节丢失。 ```python # 示例：渐进蒸馏的伪代码（基于DDPM框架） for step in training_steps: # 教师模型生成轨迹 x_T = sample_noise() trajectory = teacher.sample(x_T, steps=N) # 学生模型学习单步更新 for t in reversed(range(N)): x_t = trajectory[t] target = trajectory[t-1] loss = MSE(student(x_t, t), target) optimize(student, loss) ``` #### 引用文献 - 渐进蒸馏首次由Salimans和Ho提出，通过迭代蒸馏减少扩散步骤。 - 后续工作（如Consistency Models）进一步结合了轨迹一致性约束[^2]。
评论 3
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