用树莓派做网站服务器速度快吗,the field wordpress,做购物类网站有哪些,公司网站搜索引擎排名分析原创 | 文 BFT机器人 01
背景 多视角三维物体检测网络#xff0c;用于实现自动驾驶场景高精度三维目标检测#xff0c;该网络使用激光雷达点云和RGB图像进行感知融合#xff0c;以预测定向的三维边界框#xff0c;相比于现有技术#xff0c;取得了显著的精度提升。同时现… 原创 | 文 BFT机器人 01
背景 多视角三维物体检测网络用于实现自动驾驶场景高精度三维目标检测该网络使用激光雷达点云和RGB图像进行感知融合以预测定向的三维边界框相比于现有技术取得了显著的精度提升。同时现代自动驾驶汽车通常配备多个传感器如雷达和相机激光扫描仪具有精确的深度信息而相机保留了更详细的语义信息激光雷达点云和RGB图像的融合应该能够实现更高的性能和安全性。本文提出并设计了一个深度融合方案结合多视图的区域特征实现不同路径的中间层交互。 02
理论研究 在本文中提出的一种多视点三维物体检测网络MV3D该网络以多模态数据为输入并预测了三维空间中物体的全三维范围。利用多模态信息的主要思想是进行基于区域的特征融合。首先提出了一种多视图编码方案以获得稀疏三维点云的紧凑有效表示。三维提案网络利用点云的鸟瞰图表示来生成高精度的三维候选框。3D对象建议的好处是它可以投影到三维空间的任何视图中。多视图融合网络通过将三维建议从多个视图投影到特征图上来提取区域特征。深度融合的方法使得来自不同视图的中间层能够进行交互。本文在采用多视图特征表示的情况下该网络进行定向三维盒回归可以准确地预测三维空间中物体的三维位置、大小和方向。 图1 多视点三维目标检测网络 图像中的三维对象检测是基于图像的方法通常依赖于精确的深度估计或地标检测。我们的工作展示了如何合并激光雷达点云来改进三维定位。并且在自动驾驶的环境中利用多种数据模式的工作很少我们的网络与它们不同它对每个列使用相同的基础网络并添加辅助路径和损失进行正则化。 图2 MV3D网络中输入的图片 对于MV3D网络文中介绍了如何从鸟瞰图表示的点云中高效地生成3D物体候选框。不仅使用了一个基于卷积神经网络的物体候选框生成器该生成器可以从鸟瞰图中提取出物体的候选框。 为了提高检测精度还使用了一种基于锚的方法即将一些预定义的3D 锚框与鸟瞰图中的像素点对应起来从而生成更加准确的物体候选框。此外为了解决物体候选框过小的问题作者还使用了特征图上采样的方法将特征图的分辨率提高一倍从而使得物体候选框更加准确。同时也介绍了如何将来自多个视角的特征进行融合以提高物体检测的精度和鲁棒性。具体来说文中使用了一种深度融合方案即将来自不同视角的特征进行逐层融合从而使得网络可以更好地利用多视角信息。 此外为了增强不同路径之间的交互作者还使用了一种特殊的跨路径连接方式即将不同路径的中间层进行交互从而使得网络可以更好地利用不同路径之间的信息。 图3 本文提出的基于区域的融合网络的训练策略 03
实验与分析 本文提出的方法在基于激光雷达的2D检测方法中在硬设置中比最近提出的Vote3Deep方法高出14.93%的精度。然而值得注意的是在2D检测方面基于图像的方法通常比基于激光雷达的方法表现更好因为它们直接优化2D盒子而基于雷达的方法优化3D盒子。尽管如此与最先进的二维检测方法相比文章中的方法仍然获得了有竞争力的结果。 图4 实验模型在KITTI数据集上的检测和消融实验结果比较 文中提出设计为稳健而高效可以处理复杂的场景如遮挡和杂乱的环境这种用于道路场景中三维目标检测的多视角感觉融合模型。我们的模型同时利用了激光雷达点云和图像通过生成三维提案并将它们投影到多个视图中以进行特征提取来对齐不同的模式。总体而言本文中的自动驾驶多视角三维物体检测网络是提高自动驾驶场景下物体检测精度和鲁棒性的有前途的方法。 END 作者 | 小雨点
排版 | 小河
审核 | 猫 若您对该文章内容有任何疑问请与我们联系我们将及时回应。
