本文提出了一种基于伪激光雷达的物体三维检测方法,通过改进深度估计网络和损失函数,结合稀疏激光雷达数据,显著提升了远处物体的检测精度超过40%。研究还探讨了夜间深度估计、自监督学习和多传感器融合等技术,以改善低光照条件下的深度估计效果。
本研究提出了一种基于跨模态知识蒸馏的半监督训练框架,显著提升了单目三维检测性能。通过双向LiDAR-Radar融合框架解决了雷达数据稀疏性问题,并在多个数据集上表现优异。此外,研究探讨了雷达与激光雷达数据融合在恶劣天气下的物体检测能力,提出了相机-雷达知识蒸馏框架,进一步提升了检测性能。
本文介绍了一种新型三维检测技术,结合单目摄像头与LiDAR数据,通过点云几何结构改进视觉-语言模型,提升了分类和分割任务的准确率。研究表明,该方法在KITTI和JackRabbot数据集上表现优异,并提出了多模态视觉定位任务,显著增强了3D场景理解能力。
本文介绍了多种视觉转换器和预训练策略在三维检测和医学图像分析中的应用,包括GeoMIM、M$^{3}$3D和MIM。研究表明,遮蔽图像建模技术能提高学习效率和精度,MIM方法在不同任务中表现优异。此外,提出的多模态训练方案4M和Mask3D方法也展示了在视觉基础模型和场景理解任务中的潜力。
该文汇总多项视觉定位研究,涵盖:利用DSM与CNN实现场景无关定位;基于结构与语义匹配应对季节天气变化;通过稀疏到稠密超列匹配优化位姿;用三维全卷积网络自监督学习特征检测;提出半监督三维检测算法;结合景深匹配与虚拟视图合成提升室内定位;融合深度特征与车辆检测实现停车场定位;并探索大规模稀疏三维模型实时定位及稠密对应方法。
该文汇总多项自动驾驶研究,涵盖模拟感知预测输出的运动规划测试、立体视觉小型障碍检测、不确定环境运动规划、鸟瞰图环境理解、CADSim车辆几何重建、自监督点云预训练、Lidar三维检测不确定性建模、光幕传感器优化布置、LiDAR攻击检测与缓解,以及地形俯视图生成。
该文综述雷达与相机融合的深度估计及三维检测研究:融合单目图像与雷达点云可提升深度精度;ClusterFusion通过雷达点云聚类提取局部特征,在nuScenes上达到48.7% NDS;SC-Depth利用无标注视频实现尺度一致的深度估计,并可集成SLAM;StableCamH借助物体高度先验实现尺度感知的单目深度估计。
本文综述了点云深度学习的研究进展,涵盖基于局部图表示的三维不变特征学习、密度不变特征提取、几何感知自训练、多模态对比无监督域适应、单域泛化多任务三维检测、旋转不变局部到全局表示、因果启发不变图学习、纯旋转不变低层表示及自动驾驶语义分割域适应等方法,在分类、分割、检测和配准任务上取得领先性能。
该文综述了单目深度估计与三维检测的多项研究,涵盖:混合数据集训练以预测几何保持深度并渲染新视图,提升跨视角一致性;基于几何建模的投影模型改进深度估计;利用关键点与几何推理实现单RGB图像三维检测;提出特征度量损失函数改进自监督深度与自运动估计;构建几何相关图提升单目三维检测;提出三维几何质量评估指标与RIO-D3D基准;基于分段平面假设的物理驱动框架在多个数据集领先;利用形状先验与可微渲染重建三维物体;分解实例深度不确定性取得KITTI最佳结果;引入跨域语义信息改进无监督深度估计。
本文研究了基于激光雷达点云的三维检测在自动驾驶感知系统中的重要性,并提出了LiDAR R-CNN作为第二阶段检测器,可以改进现有的三维检测器。LiDAR R-CNN采用了基于点的方法,解决了实时性和高精度性能的要求,并在实际中表现出普适性和优越性能。
完成下面两步后,将自动完成登录并继续当前操作。