讲座 | lidar目标检测------图森未来CTO王乃岩

什么是适合LiDAR点云的表示？

LiDAR表示形式回顾
range image， voxel， raw point， bev
为什么RangeView是LiDAR点云最紧密而有信息量的表示方式
为什么现有RangeView检测器性能有限？
rangeView 在segmentation中效果显著，在检测中效果不佳（如Google的RCD）。
原因有四点：
a.edge effect
b.scale variation
c.inconsistency of label assignment
d.difficulty in bounding box regression
提升RangeView检测性能的核心要素和解决方案
对应以上四个问题，分别提出了解决方案
a.meta-kernel convolution
b.range conditioned pyramid
c.iou-aware classification
c.bounding box voting

性能分析与展望

二阶段LiDAR检测器为什么性能有限？

回顾常见的二阶段LiDAR检测器设计方案

在feature上做roi pooling/align 不如直接在raw image/point上做效果好。但是对于图像而言，这将带来很大的计算量，所以faster rcnn等都是在feature上做roi pooling/align。但是对于点云来说不存在这样的问题，所以可以直接在原始点上做refine。
分析点云二阶段检测器中独有的尺度模糊问题
尺度歧义性：如下图所示，蓝色框代表一阶段的proposal，红色点为raw point。显然，当refine阶段只是输入框内的点，那么无论proposal是蓝色框还是绿色框，第二阶段的输入特征都是一样的。

快速有效的LiDARRCNN方案

性能分析与展望

讲座 | lidar目标检测------图森未来CTO王乃岩相关推荐

年底量产交付图森未来的生死一搏！
‍数据智能产业创新服务媒体 --聚焦数智 · 改变商业 2023年3月28日,全球自动驾驶科技公司图森未来(Nasdaq: TSP)正式发布基于英伟达DRIVE Orin SoC芯片设计开发的域控制器 ...
重磅！图森王乃岩团队最新工作—TridentNet：处理目标检测中尺度变化新思路
欢迎关注微信公众号[计算机视觉联盟] 获取更多前沿AI.CV资讯联盟很荣幸获得图森首席科学家王乃岩博士的授权发布图森最新成果! ----------------------------------- ...
一文览尽LiDAR点云目标检测方法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达转载于 :计算机视觉之路,作者:山涧一壶酒 / 导读 / 自动驾驶中的激光雷达点云如何做特征表达,将基 ...
一文览尽基于激光雷达点云（lidar）的目标检测方法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达本文来源:计算机视觉之路,作者:山涧一壶酒,编辑:智车科技 / 导读 / 上周文章:自动驾驶中的激光雷 ...
从基础综述、论文笔记到工程经验、训练技巧：值得一看的目标检测好文推荐...
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文授权转自知乎作者跑者小越,https://zhuanlan.z ...
史上最全综述：3D目标检测算法汇总！
来源:自动驾驶之心本文约16000字,建议阅读10+分钟本文将演示如何通过阈值调优来提高模型的性能.本文的结构安排如下:首先,第2节中介绍了3D目标检测问题的定义.数据集和评价指标.然后,我们回顾 ...
无人驾驶领域的3D目标检测综述
论文阅读笔记<3D Object Detection for Autonomous Driving: A Review and New Outlooks> github链接:https:/ ...
继往开来！目标检测二十年技术综述
作者 | 周强来源 | 我爱计算机视觉(id:aicvml) 计算机视觉中的目标检测,因其在真实世界的大量应用需求,比如自动驾驶.视频监控.机器人视觉等,而被研究学者广泛关注. 几天前,arXiv新 ...
基于深度学习的目标检测方法综述
引言现有的深度学习的目标检测方法,可以大致分为两类:一.基于候选区域的目标检测方法:二.基于回归的目标检测方法.依据方法的提出时间,可以构建出如下时间线: 2014 CVPR R-CNN[1] 20 ...

讲座 | lidar目标检测------图森未来CTO王乃岩

讲座 | lidar目标检测------图森未来CTO王乃岩相关推荐

最新文章

热门文章