High-precision Depth Estimation with the 3D LiDAR and Stereo Fusion（使用3D雷达和立体融合的高精度深度估计）思维导图
2022-05-18
115
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
High-precision Depth Estimation with the 3D LiDAR and Stereo Fusion（使用3D雷达和立体融合的高精度深度估计）思维导图
目录
相关文章
|
1月前
|
传感器
存储
数据可视化
MATLAB - 激光雷达 - 相机联合标定（Lidar-Camera Calibration）（二）
MATLAB - 激光雷达 - 相机联合标定（Lidar-Camera Calibration）（二）
157
1
1
|
1月前
|
传感器
数据可视化
自动驾驶
MATLAB - 激光雷达 - 相机联合标定（Lidar-Camera Calibration）（一）
MATLAB - 激光雷达 - 相机联合标定（Lidar-Camera Calibration）
136
1
1
|
4月前
|
机器学习/深度学习
算法
大数据
[ICLR 2024] 基于Pathways架构的自适应多尺度时间序列预测模型Pathformer
阿里云计算平台大数据基础工程技术团队主导，与华东师范大学数据科学与工程学院合作的论文《Pathformer: Multi-Scale Transformers With Adaptive Pathways For Time Series Forecasting》被ICLR 2024接收，该论文提出了基于Pathways架构的自适应多尺度时间序列预测模型Pathformer，它从时间分辨率和时间距离角度进行多尺度时序建模，同时进一步提出自适应Pathways来动态调整多尺度建模过程，基于两者，Pathformer在阿里云数据集和公开数据集上取得SOTA预测效果，并展现出不错的泛化性和迁移性。
56121
12
12
|
4月前
|
机器学习/深度学习
|
4月前
|
传感器
机器学习/深度学习
自动驾驶
【多模态融合】CRN 多视角相机与Radar融合 实现3D检测、目标跟踪、BEV分割 ICCV2023
本文介绍使用雷达与多视角相机融合，实现3D目标检测、3D目标跟踪、道路环境BEV分割，它是来自ICCV2023的。CRN，全称是Camera Radar Net，是一个多视角相机-雷达融合框架。
通过融合多视角相机和雷达的特性，生成语义丰富且空间精确的BEV特征图。实现3D物体检测、跟踪和BEV分割任务。
290
1
1
|
4月前
|
编解码
算法
知识图谱
|
10月前
|
传感器
机器学习/深度学习
Ubuntu
【论文解读】F-PointNet 使用RGB图像和Depth点云深度 数据的3D目标检测
F-PointNet 提出了直接处理点云数据的方案，但这种方式面临着挑战，比如：如何有效地在三维空间中定位目标的可能位置，即如何产生 3D 候选框，假如全局搜索将会耗费大量算力与时间。
F-PointNet是在进行点云处理之前，先使用图像信息得到一些先验搜索范围，这样既能提高效率，又能增加准确率。
论文地址：Frustum PointNets for 3D Object Detection from RGB-D Data
开源代码：https://github.com/charlesq34/frustum-pointnets
512
0
0
|
存储
机器学习/深度学习
测试技术
计算机视觉论文速递（三）YOLO-Pose：《Enhancing YOLO for Multi Person Pose .....》实时性高且易部署的姿态估计模型
现有的基于Heatmap的两阶段方法并不是最优的，因为它们不是端到端训练的，且训练依赖于替代L1损失，不等价于最大化评估度量，即目标关键点相似度(OKS)。
501
0
0
|
传感器
机器学习/深度学习
编解码
面向工程，高精度高效率！Fast BEV：快速而强大的BEV感知基线（NIPS2022）
近年来，基于鸟瞰图（BEV）表示的感知任务越来越受到关注，BEV表示有望成为下一代自动驾驶车辆（AV）感知的基础。现有大多数的BEV解决方案要么需要大量资源来执行车载推理，要么性能不佳。本文提出了一种简单而有效的框架，称为Fast BEV，它能够在车载芯片上执行更快的BEV感知。为了实现这一目标，作者首先从经验上发现，BEV表示可以足够强大，而无需昂贵的基于transformer的变换或深度表示。
773
0
0
|
人工智能
算法
自动驾驶
PSA-Det3D：探究3D目标检测小尺寸解决方案
作者提出了PSA-Det3D网络提升3D小尺寸目标检测精度，包含PSA (Pillar Set Abstraction)，FPC (Foreground Point Compensation)和point-based detection模块。PSA模块是基于SA (Set Abstraction)设计，通过pillar query operation扩大感受野，有效聚合点特征。FPC模块利用前景点分割和候选框生成模块，定位更多的遮挡物体。前景点和预测的中心点被整合在一起，用以预测最终的检测结果。在KITTI 3D检测数据集中，PSA-Det3D取得了较好的性能，尤其是对于小尺寸目标。
211
0
0
