[paper_reading]-"LaserNet"
3D 目标检测中，目标定位的不确定性也很关键，Heteroscedastic Aleatoric Uncertainty 中已经较为详细的描述了在 Bayesian Deep Networks 中如何建模异方差偶然不确定性(Aleatoric Uncertainty)。在贝叶斯深度神经网络框架下
...
[paper_reading]-"Learning to See in the Dark"
Posted on
| Updated on
|
In
Low-Light Image Enhancement
Words count in article:
308 字
|
Reading time ≈
1 分钟
无监督低光照图像增强更有应用价值，Unsupervised Low Light Image Enhancement 中介绍了几种无监督方法。本文则是有监督方法，但是值得一读。在 Sensor，曝光时间，光圈，ISO 等(在线调节通过 AE 完成)确定后，图像低光照下曝光不足主要是因为 ISP 过
...
Unsupervised Low-Light Image Enhancement
Posted on
| Updated on
|
In
Low-Light Image Enhancement
Words count in article:
1.3k 字
|
Reading time ≈
5 分钟
在自动驾驶中，相机能捕捉丰富的纹理信息，是不可或缺的传感器。但是受限于相机 Sensor 及 ISP 性能，其动态范围有限，往往会出现过曝或欠曝的情况。过曝的情况还能通过 3A(AE, AF, AW) 中的 AE 调节，而欠曝的情况，AE 中要么提高增益或 ISO 但是会增加噪声，要么增加曝光时
...
GAN
Generative Adversarial Nets(GAN) 能将某个分布的数据映射到另一组数据形成的分布空间内。这在某些领域非常有用，如：图像去噪，图像去雨雾，图像去模糊，图像低光照增强等。自动驾驶中，图像去雨雾与低光照增强非常关键，GAN 能在没有模拟器的情况下，根据有限的数据，自动生成
...
Point-based 3D Detetection
基于激光点云的 3D 目标检测是自动驾驶系统中的核心感知模块。由于点云的稀疏性以及空间结构的无序性，一系列 Voxel-based 3D 检测方法得以发展：PointPillars，FaF，MVF 等。然而 Voxel-based 方法需要预定义空间栅格的分辨率，其特征提取的有效性依赖于空间分辨
...
MOT Multimodal Fusion
同一传感器的目标状态估计在卡尔曼滤波器在三维目标状态估计中的应用中已经有较详细的介绍。不同传感器在不同光照不同天气情况下，有不同的表现，比如相机在低光照下可靠性较差，而激光雷达能弥补这个缺陷。所以在目标状态估计中，多传感器融合非常重要，可以是数据前融合，特征级融合，目标状态后融合。本文关注目标状
...
Model Compression - 'Quantization'
量化(Quantization)是模型压缩主要技术之一。因为模型训练后的权重及特征图基本符合高斯分布(特征图可能是混合高斯分布)，所以将 32-bit 的张量量化到低比特后也能保持模型输出的准确度。如果只量化模型的权重，那么只是减少了模型的存储及传输大小；只有同时量化权重及特征图(Weight
...
LOAM(Lidar Odometry and Mapping)
SLAM 是机器人领域非常重要的一个功能模块，而基于激光雷达的 SLAM 算法，LOAM(Lidar Odometry and Mapping)，则应用也相当广泛。本文从经典的 LOAM 出发，详细描述下激光 SLAM[1][2] 中的一些模块细节。
1. 问题描述
1.1. Scan 定义
...
Filter Pruning
文章 pruning 中详细阐述了模型压缩中 Pruning 的基本方法与理论。Pruning 可分为 Structured Pruning 与 Unstructured Pruning 两种，由于 Structured Pruning 不需要特定的芯片支持，可直接在现有 CPU/GPU 架构下
...
Ground Segmentation with Gaussian Process
Posted on
| Updated on
|
In
Semantic Segmentation
Words count in article:
1.1k 字
|
Reading time ≈
4 分钟
地面分割可作为自动驾驶系统的一个重要模块，本文介绍一种基于高斯过程的地面分割方法。
1. 算法概要
为了加速，本方法[1]将三维地面分割问题分解为多个一维高斯过程来求解，如图 1. 所示，其步骤为：
Polar Grid Map
将点云用极坐标栅格地图表示，二维地面估计分解成射线方向的多
...