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。
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。
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。
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：
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
扫一扫
896
到【灌水乐园】发言
