- 博客(2)
- 收藏
- 关注
RSS订阅原创 Deep learning for 3D Object Detection and Tracking in Autonomous Driving: A Brief Survey文献阅读
3D物体检测方法同样可以分为两类：两阶段方法和单阶段方法。,它依赖于前视图图像和视锥体点云来预测三维检测结果，集成PointSIFT [35]模块到网络中，有助于提高3D分割的性能和3D框预测的效率，并实现对形状缩放的强大稳健性。由于点云的稀疏性和不规则性，同一物体上这些点的顺序会受到不同采集设备和不同坐标系的影响，使得端到端模型很难处理，难以应用于3D物体检测。工作原理是将激光雷达点投影到基于图像的语义分割网络的输出中,并将类别分数附加到每个点，可以填补不同传感器提供的综合信息对融合方法有益的这一差距。
2025-01-16 17:04:38
844
原创 BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird’s-Eye View Representation文献阅读
近年来的研究在3D空间中定义物体查询并将图像特征融合到这些提议中，所有提议级融合方法都是以对象为中心的，也是几何为中心的。, 将多模态特征统一在共享的鸟瞰视图(BEV)表示空间中，同时保持了几何结构和语义密度,并支持大多数 3D 感知任务，并提出了一种带有预计算和区间约简的专用内核来消除BEV池化操作的效率瓶颈,实现了超过 40 倍的加速。图3：在不同的激光雷达稀疏度、物体尺寸和物体距离下，BEVFusion优于最先进的单模态和多模态探测器，特别是在更具挑战性的环境下(如：稀疏点云，小/远的物体)
2025-01-16 14:55:24
991
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人