Deep Multi-modal Object Detection and Semantic Segmentation for Autonomous Driving - Datasets, Methods, and Challenges

Posted on 2020-12-17 | In Deep Learning , Review

Words count in article: 1.4k 字 | Reading time ≈ 5 分钟

　　由于相机，激光雷达，毫米波雷达等传感器各有优劣，所以深度多模态数据融合在自动驾驶感知中非常重要。本文[1]以目标检测及语义分割为例，详细阐述了深度多模态数据融合的发展及挑战。　　多模传感器融合的目标检测及语义分割任务，可分解为三大问题：What to Fuse，When to Fuse，How ...

Uncertainty Calibration

Posted on 2020-12-09 | Updated on 2020-12-16 | In Uncertainty

Words count in article: 1.3k 字 | Reading time ≈ 6 分钟

　　If you don’t know the measurement uncertainty, don’t make the measurement at all![1] 　　Uncertainty 在自动驾驶测量中的重要性在之前的文章，如 Perception Uncertainty in De ...

[paper_reading]-"Panoptic Segmentation via Dynamic Shifting Network"

Posted on 2020-12-03 | Updated on 2020-12-09 | In Segmentation , Instance Segmentation

Words count in article: 961 字 | Reading time ≈ 4 分钟

　　实例分割一般与语义分割同时进行，其难点是后处理如何准确的聚类出实例目标。目标聚类可归纳出的策略或方法有：提高语义分割的准确率，在聚类的时候加入语义约束，能改善不同类别的欠分割，以及同类别的过分割； Spatial Offset & Embedding Offset，提升聚类空间下的目 ...

[paper_reading]-"CenterFusion"

Posted on 2020-11-30 | Updated on 2020-12-02 | In 3D Detection , Fusion

Words count in article: 974 字 | Reading time ≈ 3 分钟

　　自动驾驶领域多传感器融合对感知及定位都非常重要，对于感知而言，融合可分为数据前融合，特征级融合，目标状态后融合等类型。前融合对外参标定要求较高，后融合没有深度融合各传感器特征，特征级融合是比较折中的方法。MOT Multimodal Fusion 中介绍了基于 BCM 来实现目标状态后融合的方法 ...

[paper_reading]-"Instance Segmentation by Jointly Optimizing Spatial Embeddings and Clustering Bandwidth"

Posted on 2020-11-16 | In Segmentation , Instance Segmentation

Words count in article: 1.1k 字 | Reading time ≈ 5 分钟

　　基于点云的 Instance Segmentation 方法之前已经介绍过几种，其中将点云在 Bird-View 进行 Instance Segmentation 的思路基本与图像 Instance Segmentation 相似。本文[1] 介绍一种图像 Instance Segmentati ...

Perception Uncertainty in Deep Learning

Posted on 2020-11-12 | Updated on 2020-11-23 | In Uncertainty

Words count in article: 3.7k 字 | Reading time ≈ 15 分钟

　　原文发布于 Deeproute 招聘公众号。　　基于深度学习感知技术的发展极大推动了自动驾驶行业的落地，然而基于深度学习的感知技术还存在很多问题，比如针对经典的目标检测任务，算法无法保证在所有场景下做到 100% 的检测准确率。由此，针对 L3/L4 自动驾驶，产品落地只能寄期望于 ODD(o ...

Deep Learning for 3D Point Clouds

Posted on 2020-11-04 | Updated on 2020-11-27 | In Deep Learning , Review

Words count in article: 2.6k 字 | Reading time ≈ 10 分钟

　　本文介绍三篇点云相关的综述文章，并作归纳分析。[1] 的目录结构为： 3D Shape Classification Multi-view based Methods Volumetric-based Methods Point-based Methods Pointwise MLP Me ...

[paper_reading]-"Learning Efficient Convolutional Networks through Network Slimming"

Posted on 2020-10-26 | Updated on 2020-11-02 | In Model Compression , Pruning

Words count in article: 567 字 | Reading time ≈ 2 分钟

　　剪枝是神经网络加速的重要手段之一，Pruning 中较详细的描述了剪枝的特性与基本方法，Filter-Pruning 则描述了卷积核剪枝的基本方法。Filter Pruning 属于结构化剪枝(Structure Pruners)，能在不改变硬件计算单元的情况下，提升网络计算速度。本文[1] 就 ...

[paper_reading]-"OccuSeg"

Posted on 2020-10-16 | Updated on 2020-10-20 | In Segmentation , Instance Segmentation

Words count in article: 1.4k 字 | Reading time ≈ 7 分钟

　　之前介绍了 JSNet, JSIS3D，PointGroup 等 Instance 分割方法，为了点云聚类成 Instance，网络输出基本分为每个点距离目标中心的坐标残差以及每个点的 Embedding 特征两种。对于目标中心的坐标残差，之后可以直接在几何空间内作基于距离的聚类；对于每个点的 ...

[paper_reading]-"P2B"

Posted on 2020-10-14 | Updated on 2020-10-16 | In MOT

Words count in article: 1.3k 字 | Reading time ≈ 5 分钟

　　3D 目标状态估计中，对目标的跟踪测量非常重要，所谓跟踪测量，指的是给定前后目标框或者目标点云，计算目标的 R,t 的过程，由此可得到目标位置及速度的观测。一般的测量量有：目标框中心点距离，目标点云重心距离，目标点云 ICP 结果。在目标点云观测较为完备的情况下，理论上类 ICP 方法的结果是最 ...