Posted on   |   Updated on | In
Words count in article: 1.1k 字 | Reading time ≈ 4 分钟
　　前文 Apply IPM in Lane Detection from BEV 已经较详细得阐述了俯视图下作车道线检测的逆透视原理，提到传统 IPM 有个较强的假设：地面是平坦的。对于 L4 自动驾驶，在这个假设下车道线检测不管是精度还是可靠性，都远远不够。如果有高精度地图，那么这些问题都有方法 ...
Read more »

Posted on   |   Updated on | In
Words count in article: 4.5k 字 | Reading time ≈ 19 分钟
　　3D 目标检测的技术思路大多数源自 2D 目标检测，所以图像 2D 检测的技术更迭极有可能在将来影响 3D 检测的发展。目前 3D 检测基本还是 Anchor-Based 方法(也称为 Top-Down 方法)，而今年以来，Anchor-Free(也称为 bottom-Up 法) 的 2D 检测 ...
Read more »

Posted on   |   Updated on | In
Words count in article: 2k 字 | Reading time ≈ 8 分钟
　　本来以为这篇文章是 FlowNet[1]，FlowNet2.0[2] 的续作，其实不是，大概只是借鉴了其网络框架。从网络细节上来说，应该算是 PointNet[3]，PointNet++[4] 系列的续作，本文[5]二作也是 PointNet 系列的作者。 　　光流(Optical Flow)是 ...
Read more »

Posted on   |   Updated on | In
Words count in article: 1.1k 字 | Reading time ≈ 4 分钟
　　在多视角融合 3D 检测上，研究比较多的是俯视图下的激光点云以及前视图下的图像做多传感器融合，而融合点云俯视图(Bird's Eye View)与前视图(Perspective View)的特征则比较少，新鲜出炉的本文[1]提供了一种较好的点云前视图与俯视图特征前融合(early fusion) ...
Read more »

Posted on   |   Updated on | In
Words count in article: 1.8k 字 | Reading time ≈ 7 分钟
　　车道线检测(Lane Detection)是 ADAS 系统中重要的功能模块，而对于 L4 自动驾驶系统来说，在不完全依赖高精度地图的情况下，车道线检测结果也是车辆运动规划的重要输入信息。由于俯视图(BEV, Bird's Eye View)下做车道线检测相比于前视图，有天然的优势，所以本文根据 ...
Read more »

Posted on   |   Updated on | In
Words count in article: 1.2k 字 | Reading time ≈ 5 分钟
　　深度学习网络中的不确定性(Uncertainty)是一个比较重要的问题，本文[1]讨论了其中一种不确定性在多任务训练中的应用。目前关于深度学习不确定性的研究基本出自本文作者及其团队，后续我会较系统得整理其研究成果，这篇文章先只讨论一个较为实用的应用。 1. 不确定性概述 　　在贝叶斯模型中，可以 ...
Read more »

Posted on   |   Updated on | In
Words count in article: 1.9k 字 | Reading time ≈ 7 分钟
　　本文[1]提出了一种 3D 检测的多任务多传感器融合方法。输入数据为图像以及点云，输出为地面估计，2D/3D检测，稠密深度图。为了让其它任务来帮助提升 3D 检测效果，作者设计了很多方法，工作还是比较细致且系统。 　　整个算法框架如图 1. 所示。点云数据还是在俯视图(BEV)下进行栅格化处理 ...
Read more »

Posted on   |   Updated on | In
Words count in article: 48 字 | Reading time ≈ 1 分钟
(function(){var player = new DPlayer({"container":document.getElementById("dplayer0"),"theme":"#FADFA3","loop":true,"video":{"url":"https://leijie.oss ...
Read more »

Posted on   |   Updated on | In
Words count in article: 910 字 | Reading time ≈ 3 分钟
　　动态目标状态估计传统的做法是将其分解为目标检测，目标跟踪，目标运动预测三个子问题进行链式求解，这回导致上游模块的误差在下游模块中会传递并放大。考虑到跟踪与预测能帮助提升检测的性能，比如对于遮挡或远距离目标，跟踪与预测能减少检测的漏检(FN)；而误检(FP)则可通过时域相关信息消除，由此本文[1] ...
Read more »

Posted on   |   Updated on | In
Words count in article: 928 字 | Reading time ≈ 3 分钟
1. VoxelNet->SECOND->PointPillars 　　相比于图像，激光点云数据是 3D 的，且有稀疏性，所以对点云的前期编码预处理尤其重要，目前大多数算法都是在鸟瞰图下进行点云物体检测，由此对点云的编码预处理主要有两大类方法： 以一定的分辨率将点云体素化，每个垂直列中 ...
Read more »