激光雷达和视觉融合的3D目标检测算法综述（一）

已于 2023-11-29 11:21:53 修改
阅读量1.3k 收藏 14
点赞数 11
分类专栏： 激光雷达和视觉融合的3D目标检测 文章标签： 3d 目标检测 人工智能
于 2023-11-28 21:08:35 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gui_hai/article/details/134661841
版权
paper发表地方代码链接Nuscenes_test(NDS)Nuscenes_val(NDS)备注
TransFusionCVPR2022pytorch代码71.7-
DeepFusionCVPR2022tensorflow代码--Waymo Open Dataset
UVTRNeurIPS2022pytorch代码71.170.2知识蒸馏, 统一voxel化,模态缺失
DeepInteractionNeurIPS2022pytorch代码75.6-视觉点云相互交互
BEVFusionICRA2023pytorch代码76.174.9BEV pooling加速，统一BEV空间（voxel）

TransFusion: Robust LiDAR-Camera Fusion for 3D Object Detection with Transformers
在这里插入图片描述
DeepFusion: Lidar-Camera Deep Fusion for Multi-Modal 3D Object Detection
在这里插入图片描述
Unifying Voxel-based Representation with Transformer for 3D Object Detection

在这里插入图片描述
DeepInteraction: 3D Object Detection via Modality Interaction
在这里插入图片描述
在这里插入图片描述
BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird’s-Eye View Representation
在这里插入图片描述

3D目标检测多模态融合算法综述
3D视觉工坊
09-09 3279
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达本文转载自「计算机视觉工坊」，该公众号重点在于介绍深度学习、智能驾驶等领域，一个小众的公众号。0前言本篇文章主要想对目前处于探索阶段...
一文入门 3D 视觉算法基础
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
10-12 5548
SLAM 是Simultaneous Localization and Mapping的缩写，中文译作“同时定位与地图构建”。它是指搭载特定传感器（单目、双目、RGB-D相机、Lidar）的主体，在没有环境先验信息的情况下，在运动过程中建立环境的模型，同时估计自己的运动。如果这里的传感器主要为相机，那就称为“视觉SLAM”；如果传感器位激光，则为激光 SLAM。
【论文阅读】【综述】激光雷达-相机融合的道路检测方法
麒麒哈尔的博客
11-21 2815
文章目录SNE-RoadSegLidCamNetRoad Detection through CRF based LiDAR-Camera Fusion总结 本博客列举一些激光雷达-相机融合的方法，主要是针对Road Detection问题的。其实Road Detection是属于Semantic Segmentation问题的，只是需要划分的就是两类，一个是道路，一个是非道路。目前主流方法当然是CNN，需要大量的数据用来训练。 SNE-RoadSeg 文章：SNE-RoadSeg: Incorporati
激光雷达和视觉融合的3D目标检测算法（二）
gui_hai的博客
11-07 790
激光雷达和视觉融合的3D目标检测算法
​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 4678
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...
ICCV 2023 | StreamPETR：纯视觉感知与激光雷达终有一战之力！
小白学视觉
11-25 394
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达论文作者| Shihao Wang编辑 | 自动驾驶之心文章链接：https://arxiv.org/abs/2303.11926代码链接：https://github.com/exiawsh/StreamPETR纯视觉BEV感知虽然发展了两年左右的时间，但距离激光雷达算法一直都有较大差距。BEVDepth首次将纯视觉与激光雷...
Sort多目标跟踪中的：指派问题与匈牙利解法
计算机视觉
11-09 2012
https://blog.csdn.net/Kerrwy/article/details/81018202 https://blog.csdn.net/Wonz5130/article/details/80678410   多目标跟踪中SORT算法的理解 在跟踪之前，对所有目标已经完成检测，实现了特征建模过程。 1. 第一帧进来时，以检测到的目标初始化并创建新的跟踪器，标注id。 2. 后...
视觉与激光雷达融合3D检测（一）AVOD
scott198512的博客
05-30 2722
视觉与激光雷达目标检测
视觉和激光雷达融合SLAM综述-最新2020
Zlp19970106的博客
07-26 1万+
视觉和激光雷达融合SLAM综述
毫米波雷达与视觉融合综述
m0_63604019的博客
03-07 2892
最近几年，大部分综述集中在视觉检测上，很少有radar-camera融合相关的paper，对雷达和视觉融合缺乏深入分析，本论文将重点介绍低成本毫米波雷达和视觉融合解决方案。
【论文笔记】--目标检测算法在交通场景中应用综述
weixin_52820633的博客
10-30 3766
目标检测算法在交通场景中应用综述 摘要   总结目标检测算法发展与研究现状，one-step与two-step优缺点对比，以车、人、非机动车为目标，从传统检测方法、目标检测算法、目标检测算法优化、三维目标检测、多模态目标检测、重识别六个方面分别论述和总结。   交通场景是目标检测领域热点，传统方法复杂、精度低，深度学习方法发展。目标检测分为基于候选区域（two-step）和基于回归（one-step）两类。前者通过子网络辅助生成候选边界框，后者直接在特征图上生成候选边界框。   基于候选区域的算法检测速
【DeepInteraction复现】DeepInteraction: 3D Object Detection via Modality Interaction
qq_44775880的博客
02-19 888
我的环境：系统：Ubuntu20.04显卡：RTX 3090 24G X2。
探索未来驾驶的智慧眼——深度交互：基于多模态交互的3D目标检测
最新发布
gitblog_01198的博客
08-24 869
探索未来驾驶的智慧眼——深度交互：基于多模态交互的3D目标检测 DeepInteraction[NeurIPS 2022] DeepInteraction: 3D Object Detection via Modality Interaction项目地址:https://gitcode.com/gh_mirrors/de/DeepInteraction 在自动驾驶领域，精准的物体检测是确保安全行...
【三维目标检测模型】MVXNet
叶子的博客
08-20 1789
MVXNet是一种基于激光雷达和图像的多模态融合的三维目标检测模型，发表在CVPR 2019，本文含详细python源码解读。
CVPR2020论文解读：3D Object Detection三维目标检测
吴建明wujianming_110117
03-20 1954
CVPR2020论文解读：3D Object Detection三维目标检测 PV-RCNN:Point-Voxel Feature Se tAbstraction for 3D Object Detection 论文链接：https://arxiv.org/pdf/1912.13192.pdf 本文在LITTI数据集3D Object Detection三维目标检测性能排名第一。 摘要 提出...
无人驾驶领域的3D目标检测综述
zyw2002的博客
10-13 2334
本文的主要工作: 应用于自动驾驶领域的3D目标检测的进展背景&挑战：3D目标检测的背景以及面临的挑战方法&分析：从模型和传感器输入方面对3D目标检测的方法进行探讨。**应用：**研究了3D目标检测在驾驶系统中的应用性能分析&未来展望：对3D目标检测方法进行了性能分析，并进一步总结了多年来的研究趋势，展望了该领域的未来方向。自动驾驶，通过传感器感知周围的环境输入：多模态数据（来自摄像头的图像数据、来自LiDAR的点云、高精地图）输出：预测道路上关键要素的几何和语义信息。
毫米波雷达和视觉融合简记
热门推荐
hailanglin的博客
05-09 1万+
毫米波雷达和视觉传感器融合笔记毫米波雷达和摄像头概述毫米波雷达和视觉传感器融合时间融合空间融合 毫米波雷达和摄像头概述 毫米波雷达和视觉传感器融合 时间融合 空间融合 一、毫米波雷达和摄像头概述 首先，先简要介绍一下毫米波雷达和摄像头的测距原理： 毫米波是指工作频率在 30～100GHz，波长在1～10mm之间的电磁波。开放给民用的波段为24GHZ（厘米波）、60GHZ、77GHZ。而77GHZ...
3D Object Detection经典论文整理【分类/下载/代码/笔记】
u013086672的博客
01-10 4091
笔者分类整理了与三维目标检测有关的经典论文和部分最新论文的PDF下载链接、开源代码、阅读笔记（部分）。笔者认为的必读经典论文通过加粗标识。论文主要按照Point-based和Voxel-based来划分，还包括一些交叉领域新的方向，比如Transformer、Self-ensembling等。
基于目标检测的毫米波雷达与视觉融合方法综述
AI训练师中的点滴
10-20 6804
本次主要是对近期阅读的一篇文章进行梳理。 文章名称： MmWave Radar and Vision Fusion based Object Detection for Autonomous Driving: A Survey 文章地址： [https://arxiv.org/abs/2108.03004](https://arxiv.org/abs/2108.03004) 摘要 如今的自动驾驶需要满足应多种复杂场景，因此准确的目标检测方法对于汽车的安全驾驶具有关键意义，而毫米波雷达（以下统称为雷达）与视
SLAM技术综述：激光雷达与视觉SLAM融合分析
描述中指出，本文对SLAM技术做了全面的概述，不仅包括激光雷达SLAM（LiDAR SLAM）和视觉SLAM（Visual SLAM），还包括这两者的融合技术。激光雷达SLAM通过激光传感器获取环境信息，进行定位和地图构建，而视觉SLAM则...
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