点击上方“3D视觉工坊”,选择“星标”
干货第一时间送达
作者丨eyesighting@知乎
来源丨https://zhuanlan.zhihu.com/p/422935212
编辑丨3D视觉工坊
多传感器融合—综述
检索主页:arxiv.org
检索时间:2021.10.08
1、用于多传感器3D目标检测的深度连续融合:https://arxiv.org/abs/2012.10992
2、用于自动驾驶汽车导航和测绘的多传感器融合:https://arxiv.org/abs/2103.13719
3、用于3D目标检测的多任务多传感器融合:https://arxiv.org/abs/2012.12397
4、自动驾驶中图像和点云融合的深度学习:https://arxiv.org/abs/2004.05224
5、自动驾驶中的多模态3D目标检测:https://arxiv.org/abs/2106.12735
6、多任务多传感器融合目标检测:https://openaccess.thecvf.com/content_CVPR_2019/html/Liang_Multi-Task_Multi-Sensor_Fusion_for_3D_Object_Detection_CVPR_2019_paper.html
多传感器融合—论文
检索主页:arxiv.org
检索关键词:image point cloud fusion
检索时间:2021.10.08
1、用于自动驾驶的多视图 3D 目标检测网络:https://arxiv.org/abs/1611.07759
2、一种多莫泰 3D 环境学习方法融合:https://arxiv.org/abs/1705.08624
3、无需辅助物体或人为干预的 3D 测距仪和相机的外部校准:https://arxiv.org/abs/1703.04391
4、融合鸟瞰 LIDAR 点云和前视摄像头图像用于深度物体检测:https://arxiv.org/abs/1711.06703
5、来自视图聚合的联合 3D 建议生成和对象检测:https://arxiv.org/abs/1712.02294
6、使用伪连体 CNN 识别 SAR 和光学图像中的相应补丁:https://arxiv.org/abs/1801.08467
7、一种融合异构数据源的新方法:https://arxiv.org/abs/1803.00138
8、使用置信度预测的优先多视图立体深度图生成:https://arxiv.org/abs/1803.08323
9、使用传感器融合测距法估计运动的 LiDAR 和相机校准:https://arxiv.org/abs/1804.05178
10、使用全卷积神经网络进行道路检测的相机与雷达融合:https://arxiv.org/abs/1809.07941
11、具有 RGB 引导和不确定性的稀疏和嘈杂的 LiDAR 完成:https://arxiv.org/abs/1902.05356
12、通过用于自动驾驶的彩色嵌入 3D 重建进行准确的单目目标检测:https://arxiv.org/abs/1903.11444
13、LATTE:通过传感器融合、一键注释和跟踪加速 LiDAR 点云注释:https://arxiv.org/abs/1904.09085
14、使用 Image-LiDAR 数据融合进行道路分割:https://arxiv.org/abs/1905.11559
15、基于RGB和LiDAR融合的自动驾驶3D语义分割:https://arxiv.org/abs/1906.00208
16、用于精确密集 3D 重建的 LiDAR-Camera Fusion 联合优化方法:https://arxiv.org/abs/1907.00930
17、LiDARTag:点云的实时基准标签系统:https://arxiv.org/abs/1908.10349
18、MLOD:一种基于鲁棒特征融合方法的多视角3D物体检测:https://arxiv.org/abs/1909.04163
19、用于 3D 场景理解的多视图 PointNet:https://arxiv.org/abs/1909.13603
20、基于目标的 3D LiDAR 相机校准的改进:https://arxiv.org/abs/1910.03126
21、用于 3D 目标检测的多模态局部特征的自适应和方位角感知融合网络:https://arxiv.org/abs/1910.04392
22、PI-RCNN:一种高效的多传感器 3D 目标检测器,具有基于点的注意力集中 Cont-conv 融合模块:https://arxiv.org/abs/1911.06084
23、PointPainting:用于 3D 对象检测的顺序融合:https://arxiv.org/abs/1911.10150
24、FusionMapping:使用单目图像和 2D 激光扫描学习深度预测:https://arxiv.org/abs/1912.00096
25、结构化环境点云中基于线的相机姿态估计:https://arxiv.org/abs/1912.05013
26、SelectFusion:选择性学习多感官融合的通用框架:https://arxiv.org/abs/1912.13077
27、ImVoteNet:使用图像投票提升点云中的 3D 对象检测:https://arxiv.org/abs/2001.10692
28、在自动驾驶中利用不确定性进行深度多模态物体检测:https://arxiv.org/abs/2002.00216
29、MANet:用于 3D 形状识别的基于多模态注意力网络的点视图融合:https://arxiv.org/abs/2002.12573
30、HVNet:用于基于 LiDAR 的 3D 对象检测的混合体素网络:https://arxiv.org/abs/2003.00186
31、语义传感器融合:从相机到稀疏激光雷达信息:https://arxiv.org/abs/2003.01871
32、FusionLane:使用深度神经网络进行车道标记语义分割的多传感器融合:https://arxiv.org/abs/2003.04404
33、BiFNet:用于道路分割的双向融合网络:https://arxiv.org/abs/2004.08582
34、查看来自多个深度传感器的不变人体检测和姿势估计:https://arxiv.org/abs/2005.04258
35、用于 3D 对象检测的立体 RGB 和更深的基于激光雷达的网络:https://arxiv.org/abs/2006.05187
36、深度多模态融合网络在复杂环境下的自主导航:https://arxiv.org/abs/2007.15945
37、EPNet:使用图像语义增强点特征以进行 3D 对象检测:https://arxiv.org/abs/2007.08856
38、跨模态 3D 对象检测:https://arxiv.org/abs/2008.10436
39、RoIFusion:来自 LiDAR 和视觉的 3D 目标检测:https://arxiv.org/abs/2009.04554
40、用于自动驾驶汽车联合目标检测和距离估计的雷达-相机传感器融合:https://arxiv.org/abs/2009.08428
41、MAFF-Net:使用多模态自适应特征融合过滤 3D 车辆检测的误报:https://arxiv.org/abs/2009.10945
42、SemanticVoxels:使用 LiDAR 点云和语义分割进行 3D 行人检测的顺序融合:https://arxiv.org/abs/2009.12276
43、位移传感器汽车雷达成像:https://arxiv.org/abs/2010.04085
44、AGNO-RPN:用于分辨率不可知检测的 LIDAR-Camera 区域深度网络:https://arxiv.org/abs/2012.05740
45、FPS-Net:用于大规模激光雷达点云分割的卷积融合网络:https://arxiv.org/abs/2103.00738
46、处理表示:关于多模态语义的图像、点云和网格之间的信息传递:https://arxiv.org/abs/2103.07348
47、3D-FFS:在基于传感器融合的网络中使用聚焦视锥搜索更快的 3D 对象检测:https://arxiv.org/abs/2103.08294
48、对用于 3D 汽车检测的 Camera-LiDAR 模型的对抗性攻击:https://arxiv.org/abs/2103.09448
49、体积传播网络:用于远程深度估计的立体激光雷达融合:https://arxiv.org/abs/2103.12964
50、RPVNet:用于激光雷达点云分割的深度高效的距离-点-体素融合网络:https://arxiv.org/abs/2103.12978
51、MinkLoc++:用于地点识别的激光雷达和单目图像融合:https://arxiv.org/abs/2104.05327
52、视图引导的点云补全:https://arxiv.org/abs/2104.05666
53、传感器融合在未来车载网络中对目标检测的作用:https://arxiv.org/abs/2104.11785
54、了解您的环境:通过多模态协作进行全景多对象跟踪:https://arxiv.org/abs/2105.14683
55、FusionPainting:具有自适应注意力的多模态融合,用于 3D 对象检测:https://arxiv.org/abs/2106.12449
56、用于 3D LiDAR 语义分割的感知感知多传感器融合:https://arxiv.org/abs/2106.15277
57、用于 3D 语义分割的相似性感知融合网络:https://arxiv.org/abs/2107.01579
58、用于 3D 目标检测的多模态任务级联:https://arxiv.org/abs/2107.04013
59、无人机多模态实时语义融合:https://arxiv.org/abs/2108.06608
60、LIF-Seg:用于 3D LiDAR 语义分割的 LiDAR 和相机图像融合:https://arxiv.org/abs/2108.07511
61、MBDF-Net:用于 3D 对象检测的多分支深度融合网络:https://arxiv.org/abs/2108.12863
62、使用 BEV 投影进行高效的城市规模点云分割:https://arxiv.org/abs/2109.09074
本文仅做学术分享,如有侵权,请联系删文。
3D视觉精品课程推荐:
2.面向自动驾驶领域的3D点云目标检测全栈学习路线!(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建:原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM:基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)
重磅!3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信,可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群,旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群,目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。
一定要备注:研究方向+学校/公司+昵称,例如:”3D视觉 + 上海交大 + 静静“。请按照格式备注,可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球:针对3D视觉领域的视频课程(三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等)、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕,更有各类大厂的算法工程人员进行技术指导。与此同时,星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息,打造成集技术与就业为一体的铁杆粉丝聚集区,近4000星球成员为创造更好的AI世界共同进步,知识星球入口:
学习3D视觉核心技术,扫描查看介绍,3天内无条件退款
圈里有高质量教程资料、答疑解惑、助你高效解决问题
觉得有用,麻烦给个赞和在看~