LiDAR再也不怕雨天 | SRKD：跨晴雨知识蒸馏3D检测SOTA（AAAI'24）

最新推荐文章于 2024-05-21 15:18:42 发布
最新推荐文章于 2024-05-21 15:18:42 发布
阅读量25 收藏
点赞数
文章标签： 3d
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247604912&idx=2&sn=3fce515d759161085f61632d86edb331&chksm=cf033f94db132882f1b04f535ef744b68595f9e6904ceee8df63b44a588fd5850a256aeb038c&scene=126&sessionid=0
版权

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

今天自动驾驶之心邀请来了厦门大学博士生—黄勋！为大家分享AAAI 2024中稿的工作—SRKD，跨晴雨知识蒸馏实现雨天下的鲁棒3D检测！

如果您有兴趣分享相关学术成果，请联系AIDriver002！

更多行业咨询与技术分享，欢迎加入『自动驾驶之心知识星球』，相关将在星球内公布！

4b7b21034d89d40e977428e9f2c7c42e.png

哔哩哔哩关注自动驾驶之心，预约直播

a31d74b2bee1387b873cc92707f8d2ee.png

自动驾驶之心B站

【自动驾驶之心】平台矩阵，欢迎联系我们！

ef53c059463ac08ebb418e06104ec6a4.jpeg

自动驾驶之心
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SE-SSD："知识蒸馏"--助力3D目标检测问鼎SOTA
3D视觉工坊
11-09 1553
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨元气满满的打工人来源丨CV研习社导读：在自动驾驶领域，激光雷达由于其稳定的性能且不易受外界环境的影响，一直是自动驾驶汽车的主要传...
​CVPR2023 | MSMDFusion: 激光雷达-相机融合的3D多模态检测新思路（Nuscenes SOTA！）...
CV_Autobot的博客
03-13 3256
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【3D目标检测】技术交流群后台回复【3D检测综述】获取最新基于点云/BEV/图像的3D检测综述！融合激光雷达和相机信息对于在自动驾驶系统中实现准确可靠的3D目标检测至关重要，由于难以将来自两种截然不同的模态的多粒度几何和语义特征结合起来，这是一个很大挑战。最近的方法旨在通过将2D相机图像中的提升点（称为“see...
CVPR 2022 | TransFusion：用Transformer进行3D目标检测的激光雷达-相机融合
阿木寺的博客
07-03 5163
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达作者：花椒壳壳|已授权转载（源：知乎）编辑：CVerhttps://zhuanlan.zhihu.com/p/485971924论文标题：TransFusion: Robust LiDAR-Camera Fusion for 3D Object Detection with Transformers...
BEV目标检测论文串讲：知识蒸馏（CMKD、TiG-BEV、UniDistill、RadarDistill、CRKD）
10点43的博客
03-29 812
大家好，今天和大家分享五篇知识蒸馏在BEV目标检测中应用的论文。关于知识蒸馏，大家可以看一下这个视频，对常见的知识蒸馏方法进行了很好的介绍。
多模态融合2022|TransFusion: Robust LiDAR-Camera Fusion for 3D Object Detection with Transformers
Rolandxxx的博客
03-24 7945
论文题目：TransFusion: Robust LiDAR-Camera Fusion for 3D Object Detection with Transformers 会议：CVPR2022 单位：香港科技大学，华为 1.摘要+intro 作者认为目前的坑是在point-wise级的融合，之前方法存在两个主要问题，第一，它们简单地通过逐个元素相加或拼接来融合LiDAR特征和图像特征，因此对于低质量的图像特征，例如光照条件较差的图像，这样融合的性能会严重下降。第二，稀疏的LiDAR点与密集的图像像素之间
详解KITTI视觉3D检测模型CMKD: Cross-Modality Knowledge Distillation Network for Monocular 3D Object Detection
10点43的博客
05-29 1163
论文收录于。
BEV蒸馏来了！BEVDistill：用于多目3D目标检测的跨模态BEV蒸馏
CV_Autobot的博客
11-04 1404
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【3D目标检测】技术交流群后台回复【3D检测综述】获取最新基于点云/BEV/图像的3D检测综述！ICLR2023双盲审中论文链接：https://openreview.net/forum?id=-2zfgNS917摘要基于多视图的三维目标检测是视觉场景理解的基础和挑战性任务。多视图（multi-view)三维目...
【3D目标检测】PSEUDO-LIDAR++: ACCURATE DEPTH FOR 3D OBJECT DETECTION INAUTONOMOUS DRIVING
可乐大牛的博客
12-01 904
本文是基于图像的3D目标检测算法。就像是之前中提到的，伪点云中还是存在很多问题的（比如伪点云与真实点云的局部不对齐），但是这些问题都可以归结到深度估计的效果不好上，因此作者聚焦如何提高深度估计的效果，尤其是对远处物体的深度估计。这里红色部分就是基于视差得到的点云，相对于绿色的真实边界框存在一部分的偏移，粉红色的是作者提出的双目深度估计算法得到的点云，相比之下稍微好了点，再结合黄色的稀疏激光雷达信号指引下的深度传播方法，就得到了蓝色的点云，可以发现此时视差点全部都在真实边界框当中了，可以说消除了偏差。
【lidar】3D目标检测PointPillars：论文解读、代码解读、部署实现
03-20
【lidar】3D目标检测PointPillars：论文解读、代码解读、部署实现
SFA3D:基于3D LiDAR点云的超快速，准确的3D对象检测（PyTorch实现）
03-17
基于3D LiDAR点云的超快速，准确的3D对象检测 特征 基于LiDAR的超快速，准确的3D对象检测 快速训练，快速推理 无锚的方法 没有非最大抑制 支持 发布预训练的模型 技术细节在描述 更新2020.09.06 ：添加ROS源...
目标检测YOLO实战应用案例100讲-3D Lidar MOT 激光雷达点云 感知 多目标追踪
04-19
目标检测YOLO实战应用案例100讲-3D Lidar MOT 激光雷达点云 感知 多目标追踪
OpenPCDet:OpenPCDet工具箱，用于基于LiDAR的3D对象检测
03-13
OpenPCDet OpenPCDet是一个清晰，简单，自成体系的开源项目，用于基于LiDAR的3D对象检测。 它也是 ， 和的官方代码版本。概述变更日志[2020-11-27]错误修复：如果您想使用我们提供的Waymo评估工具（请参阅 ），请...
基于3D LiDAR的矿山无人驾驶车行驶边界检测-论文
07-07
路沿检测是矿区无人驾驶的关键技术之一，所得路沿信息可用于辅助无人矿车的感知、规划和定位。 准确的路沿检测与路沿图构建同时也是高精地图构建中的首要步骤，通过机器学的方法可以在现有路沿点的基础上初步构建...
野外作战武器操作3D模拟实操仿真训练以便老兵能适应不同的训练需求
VRARvrnew3d的博客
05-20 152
　3D军事武器模拟展示还具有实时更新、绿色环保的优点。通过调整模拟参数和场景设置，可以轻松地模拟出不同的战场环境和武器系统，以便老兵能适应不同的训练需求、武器应用和目标，提高训练的针对性和实效性。
Substance 3D Painter for Mac/Win：卓越的3D纹理绘制软件
2401_82627223的博客
05-20 309
Substance 3D Painter是一款功能强大、操作简便的3D纹理绘制软件。它以其出色的性能和丰富的功能，在数字艺术与设计领域发挥着重要作用。
体验经济时代，视创云展3.0赋能品牌3D数字化转型！
jimumeta的博客
05-21 492
体验经济时代下，用户愈发注重产品体验过程中的「深度体验」。因此，从用户的生活与情境出发，打造能在感官体验及思维上能赢得用户认同产品，显得尤为重要。3.0的采用纯三维空间漫游及互动引擎，能够给用户带来强烈而逼真的感官冲击，用户可以在真三维场景中任意漫游，人机交互，犹如身临其境。这将使线上展厅内的视觉观感、场景体验迎来震撼级升级，尤其纯三维空间展示及深度沉浸式浏览体验，主要技术升级涵盖纯三维空间漫游、全局光影系统、真实光影反射、4K照片级渲染、可定制互动体验等。
单目3D检测：SMOKE
最新发布
qq_53545309的博客
05-21 106
论文：github:在SMOKE算法之前，一般基于region_based的或者RPN结构，基于得到的，结合后序结构推理出3dbox。一般是多阶段的算法。SMOKE仅3d模块，基于key-point直接回归3d属性,基于解耦loss来训练。
std::vector<float> read_lidar_data(const std::string lidar_data_path) { std::ifstream lidar_data_file(lidar_data_path, std::ifstream::in | std::ifstream::binary); lidar_data_file.seekg(0, std::ios::end); const size_t num_elements = lidar_data_file.tellg() / sizeof(float); lidar_data_file.seekg(0, std::ios::beg); std::vector<float> lidar_data_buffer(num_elements); lidar_data_file.read(reinterpret_cast<char*>(&lidar_data_buffer[0]), num_elements*sizeof(float)); return lidar_data_buffer; }
05-25
这是一个读取二进制激光雷达数据的函数，其参数是激光雷达数据的路径，返回一个包含激光雷达数据的 float 类型的向量。 具体实现过程如下： 1. 打开二进制文件，以只读和二进制模式打开，使用 ifstream 类。 2. 定位到文件结尾，获取文件大小，单位为字节。 3. 计算元素个数，每个元素占用 sizeof(float) 个字节。 4. 定位到文件开头。 5. 创建一个大小为元素个数的 float 向量，作为缓冲区。 6. 读取缓冲区大小个字节到缓冲区中。 7. 返回缓冲区。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值