[paper_reading]-"Pillar-based Object Detection"

Posted on 2020-08-04 | Updated on 2020-08-06 | In 3D Detection

Words count in article: 988 字 | Reading time ≈ 4 分钟

　　MVF 在俯视图点云特征的基础上，融合了点云的前视图特征，由此解决点云在远处比较稀疏，以及行人等狭长型目标特征信息较少的问题。本文[1]基于 MVF 作了三部分的改进：检测头改为 Anchor-Free 的形式，本文称之为 Pillar-based，其实就是图像中对应的像素点；前视图用 C ...

VLOAM(Visual-lidar Odometry and Mapping)

Posted on 2020-07-29 | Updated on 2020-08-04 | In SLAM

Words count in article: 2k 字 | Reading time ≈ 8 分钟

　　LOAM 中 Lidar Odometry 模块将当前累积的 Sweep 点云通过 Sweep-to-Sweep 注册到上一时刻的 Sweep 点云，从而生成高频低精度的位姿；Lidar Mapping 则将完整的当前 Sweep 点云通过 Sweep-to-Model 注册到全局地图中，从而生 ...

SuMa(Surfel-based Mapping)

Posted on 2020-07-20 | Updated on 2020-07-28 | In SLAM

Words count in article: 4k 字 | Reading time ≈ 17 分钟

　　目前业界比较流行的基于激光雷达的 SLAM 是 LOAM，其中 Mapping 又是非常重要的一环，LOAM 提取 Edge 点与 Surf 点然后建立以 Voxel 约束点个数的点云地图，该地图用于 Lidar Odometry 时的匹配定位。实际应用于工业界时，Mapping 的数据结构设计 ...

AVP-SLAM

Posted on 2020-07-15 | Updated on 2020-07-17 | In SLAM

Words count in article: 1.6k 字 | Reading time ≈ 6 分钟

　　Visual-SLAM 一般采用特征点或像素直接法来建图定位，这种方式对光照较为敏感。本文[1] 提出了一种基于语义特征的 Visual Semantic SLAM，应用于光照条件较为复杂的室内停车场环境，相比于采用特征点的 ORB-SLAM，性能较为鲁棒。 1. Framework 　　如图 ...

[paper_reading]-"Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud"

Posted on 2020-07-10 | Updated on 2020-07-14 | In 3D Detection

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

　　本文[1]提出了一种基于图网络来提取点云特征的方法，理论上可在不损失原始信息的情况下，高效的学习点云特征，其在点云 3D 检测任务中效果提升明显。 1. Different Point Cloud Representations 　　如图 1. 所示，目前点云表示方式以及对应的特征学习方式有三 ...

CenterTrack

Posted on 2020-07-02 | Updated on 2020-07-08 | In MOT

Words count in article: 1.7k 字 | Reading time ≈ 6 分钟

　　障碍物感知由目标检测，目标跟踪(MOT)，目标状态估计等三个模块构成。目标状态估计一般是指将位置，速度等观测量作卡尔曼滤波平滑；广义的目标跟踪也包含了状态估计过程，这里采用狭义的目标跟踪定义方式，主要指出目标 ID 的过程。传统的做法，目标检测与目标跟踪是分开进行的，检测模块分别对前后帧作目标检 ...

Rethinking of Sparse 3D Convolution

Posted on 2020-06-23 | Updated on 2020-06-25 | In Deep Learning

Words count in article: 981 字 | Reading time ≈ 3 分钟

　　Sparse 3D Convolution 最早在[1]中提出，然后该作者又提出了 Submanifold Sparse Convolution[2]，并将其应用于 3D 语义分割中[3]。[4]则改进了 Sparse 3D Convolution 的实现方式，并应用于 3D 目标检测中。之前一 ...

[paper_reading]-"End-to-End Pseudo-LiDAR for Image-Based 3D Object Detection"

Posted on 2020-06-22 | Updated on 2020-06-25 | In 3D Detection

Words count in article: 1.4k 字 | Reading time ≈ 6 分钟

　　基于视觉的 3D 目标检测方法因为成本较低，所以在 ADAS 领域应用非常广泛。其基本思路有以下几种：单目\(\rightarrow\)3D 框，代表文章有[1]。单目\(\rightarrow\)深度图\(\rightarrow\)3D 框双目\(\rightarrow\)3D 框，代 ...

[paper_reading]-"PointPainting: Sequential Fusion for 3D Object Detection"

Posted on 2020-06-17 | Updated on 2020-08-16 | In 3D Detection

Words count in article: 796 字 | Reading time ≈ 2 分钟

　　相机能很好的捕捉场景的语义信息，激光雷达则能很好的捕捉场景的三维信息，所以图像与点云的融合，对检测，分割等任务有非常大的帮助。融合可分为，数据级或特征级的前融合，以及任务级的后融合。本文[1]提出了一种将图像分割结果的语义信息映射到点云，进而作 3D 检测的方法。这种串行方式的融合，既有点前融合 ...

[paper_reading]-"Boundary-Aware Dense Feature Indicator for Single-Stage 3D Object Detection from Point Clouds"

Posted on 2020-05-22 | Updated on 2020-08-16 | In 3D Detection

Words count in article: 799 字 | Reading time ≈ 3 分钟

　　俯视图下 Voxel-based 点云 3D 目标检测一般会使用 2D 检测网络及相关策略。但是不同于图像的 2D 目标检测，俯视图下目标的点云信息基本在边缘处，所以如何准确得捕捉目标的边缘信息对特征提取的有效性非常关键。本文[1] 提出了一种能捕捉目标边缘信息的网络结构，从而作更准确的目标检测 ...