Henry-Z

天道酬勤 知行合一

发表于 更新于 分类于 ， Changyan： 0 Disqus：

概述

3DSSD 是基于点的单阶段 3D 目标检测网络，该模型的提出背景是在 3D 单阶段目标检测器大都是基于体素，其在转换过程中会丢失信息，而基于点的检测器大都是两阶段网络，精度虽然高，但是推理性能差。而此时，基于点的单阶段网络还未充分探索。作者基于点基础，提出了一个轻量级且高效的单阶段网络 (3DSSD)，可以很好地在精度和效率之间保持平衡。 作者通过分析两阶段网络各个部分耗时情况，发现 SA 层对于提取点得特征是必要的，但 FP 和细化模块确实限制了基于点的方法的效率。

阅读全文 »

发表于 更新于 分类于 ， Changyan： 0 Disqus： 0 Comments

概述

  1. 第一个子采样网络用于过滤掉大多数的背景点；
  2. 第二阶段是基于点基础的候选框生成；
  3. 第三个组成部分是网络架构，由主干网络、proposal 特征生成模块和边界框预测网络组成，它对生成的候选框进行分类和回归；
阅读全文 »

发表于 更新于 分类于 ， Changyan： 0 Disqus：

概述

PointRCNN 将目标检测任务分为两个阶段： 第一阶段：借助点云分割为前景点和背景，并以自下而上的方式直接从点云生成少量高质量的目标候选框； 第二阶段：再对候选目标框进行优化调整，细化目标框的边界。

阅读全文 »

发表于 更新于 分类于 ， Changyan： 0 Disqus：

概述

先进的 3D 对象检测方法提出了各种从稀疏的点云数据中学习辨别特征的方法:

  1. 将点云投影到鸟瞰图，并利用 2D CNN 学习点云特征以生成 3D 预测框；
  2. 将点云分组为体素，并使用 3D CNN 学习体素的特征来生成 3D 框；
  3. 直接采样点云数据，并使用 MLP 学习点云特征来生成 3D 框；
阅读全文 »

发表于 更新于 分类于 ， Changyan： 0 Disqus：

概述

在自动驾驶使用场景中，一般会使用各类传感器 (摄像头、激光雷达、毫米波雷达和超声波雷达等) 来感知周围环境信息，传感器收集的大量信息，通过各类算法最终融合到一个真实的语义地图上，下游模块通过该语义地图做相应的规划和决策。

阅读全文 »

发表于 更新于 分类于 ， Changyan： 0 Disqus：

概述

毫米波 (mmWave) 是一类使用短波长 电磁波的特殊雷达技术。雷达系统发射的电磁波信号被其发射路径上的物体阻挡继而会发生反射。通过捕捉反射信号，雷达系统可以确定物体的距离、速度和角度。

毫米波雷达可发射波长为毫米量级的信号，在电磁频谱中，这种波长被视为短波长，这也是该技术的优势之一，即处理毫米波所需的系统组件 (如 天线) 尺寸可以做得很小；短波长的另一个优势是高准确度，工作频率为 76~81 GHz (对应波长约为 4mm) 的毫米波系统将能够检测到小至零点几毫米的移动。

其中，TI 公司的器件实现了一种称为 调频连续波 (FMCW) 的特殊毫米波技术。顾名思义，FMCW 雷达连续发射调频信号，以测量距离、速度和角度。这与周期性发射短脉冲的传统脉冲雷达系统不同。

阅读全文 »

发表于 更新于 分类于 ， Changyan： 0 Disqus：

概述

在自动驾驶使用场景中，一般会使用各类传感器 (摄像头、激光雷达、毫米波雷达和超声波雷达等) 来感知周围环境信息，传感器收集的大量信息，通过各类算法最终融合到一个真实的语义地图上，下游模块通过该语义地图做相应的规划和决策。

阅读全文 »
0%