汽车开发者社区

【本文正在参加优质创作者激励计划】[toc]本文将以相机(Camera)和激光雷达(Lidar)为例，介绍在自动驾驶感知任务中有多模态传感器融合方式，包括强融合和弱融合。强融合强融合可以分为前融合、深度融合、后融合和不对称融合。前融合前融合指的是对LiDAR分支的数据和相机分支的数据或特征进行融合。其中LiDAR分支的数据可以是具有反射强度的3D点、体素和由点云投影得到的2D图等。例如，以下这篇论文将图像分支中的语义特征和LiDAR...

【本文正在参加优质创作者激励计划】[toc]单高斯视频背景估计的运动目标分割原理上图为单高斯视频背景估计的运动目标分割流程图，主要包括以下步骤：（1）单高斯背景模型的初始化。将背景模型初始化为均值$\mu(x,y)$和方差$\sigma^2(x,y)1$的高斯分布。（2）运动目标分割利用如下公式对当前帧的每个像素点$I^t(x,y)$进行判断，如果像素点的概率值大于阈值$Ｔ$：$$P\left[I^{t}(x,y)\right]\frac{1}{\sqrt{2\pi\left[\sigma^{\pr...

【本文正在参加优质创作者激励计划】[toc]PIXOR:Realtime3DObjectDetectionfromPointClouds[https:arxiv.orgabs1902.06326](https:arxiv.orgabs1902.06326)实验结果PIXORPIXOR(ORiented3DobjectdetectionfromPIXelwiseneuralnetworkpredictions)PIXOR的框架图如图1所示。它使用鸟瞰图(BEV)表示来进行自动驾驶场景下的实时3D物体检测。输入的BEV表示首先定义了三维感兴趣区域的物理尺寸$L×W×H$。三维矩形空间中的三维点被离散...

【本文正在参加优质创作者激励计划】[toc]【AAAI2022】OctAttention:OctreebasedLargescaleContextsModelforPointCloudCompressionhttps:arxiv.orgpdf2202.06028v2.pdfOctAttention采用八叉树对点云进行编码，并利用八叉树中兄弟节点和祖先节点(大范围)的信息，通过自注意力模型（Transformer那一套东西）对八叉树各个节点进行概率建模以进行进一步的熵编码。方法模型架构OctAttention的架构如图：图中的八叉树有$K4$个级别，各...

HybridPointCloudSemanticCompressionforAutomotiveSensors:APerformanceEvaluation[https:arxiv.orgpdf2103.03819.pdf](https:arxiv.orgpdf2103.03819.pdf)在自动驾驶中，车辆与车辆之间的信息共享起着重要作用。在所有传感器中，激光雷达产生的3D点云的数据量通常较高。因此，有效的点云压缩方案对于减轻带宽受限信道上的数据传输负担和促进实时通信至关重要。这篇文章将谷歌的点云压缩软件Draco与语义分割分割模型RangeNet++...

[toc]PUNet:PointCloudUpsamplingNetwork网络架构PUNet有四个组件：patchextraction,pointfeatureembedding,featureexpansion和coordinatereconstruct。patchextraction：从给定的一组先验3D模型中提取不同比例和分布的点块。pointfeatureembedding：通过分层特征学习和多层次特征聚合将原始3D坐标映射到特征空间。featureexpansion：扩展特征数量。coordinatereconstruct：用一系列全连接层重建输出点云的三维坐标。训练数据生...

[toc]CylindricalandAsymmetrical3DConvolutionNetworksforLiDARSegmentationhttps:arxiv.orgabs2011.10033做了什么对于室外驾驶场景中大规模LiDAR点云分割，常用的方法是将点云投影到二维空间，再通过2D卷积对其进行处理。这样做虽然有不错的表现，但它丢弃了点云的三维拓扑和几何关系信息。一种减少这种信息丢失的方法是对点云使用立方体划分的体素化再通过3D卷积对其进行处理，但这种方法得到的改善相当有限，因为室外点云还...

[toc]RandLANet:EfficientSemanticSegmentationofLargeScalePointCloudshttps:arxiv.orgabs1911.11236做了什么深度神经网络对点云进行处理不可避免地需要在保证不丢失有用的点特征的前提下对这些点进行下采样。而大规模的点云跨度可达数百米，包含数十万、百万个点，采样的时间和空间复杂度都较高。这篇论文分析并比较了现有的点云采样方法，得出随机采样(RandomSampling)是最适合大规模点集这一结论。设计了一个局部特征聚合器...

[toc]RangeNet++:FastandAccurateLiDARSemanticSegmentation[https:www.ipb.unibonn.dewpcontentpapercitedatapdfmilioto2019iros.pdf](https:www.ipb.unibonn.dewpcontentpapercitedatapdfmilioto2019iros.pdf)实验结果RangeNet++RangeNet++是一种基于球面投影的点云分割模型，处理步骤如下：（A）球面投影将输入点云转换为距离图像表示球面投影推荐阅读：[https:zhuanlan.zhihu.comp554668053](https:zhuanlan.zhihu.comp5546...