如何评价BEV seg模型的指标

BILLY BILLY

已于 2024-09-11 14:39:09 修改

阅读量43

点赞数

分类专栏： BEV感知文章标签：自动驾驶

于 2024-09-11 14:37:23 首次发布

本文链接：https://blog.csdn.net/m0_51579041/article/details/142139014

版权

BEV感知专栏收录该内容

36 篇文章 11 订阅 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

1 可视化 seg PRED GT

# 传进来的时没经过sigmoid激活的[1,1,200,200]的featuremap
def seg_vis(pred,name):

    # ---- 区分前景，背景

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

BILLY BILLY

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

Bev系列算法总结

@bangbang的博客

06-24

601

Lss Based的算法的发展过程，从多视角融合(BevDet) -> 时序融合的BevDet4D -> 点云深度监督(BevDepth)->MVS(BevStero)->长时序(SoloFusion)->recurrent 时序(VideoBev)从nusense的指标来看，BevDet的mAP是29.8，再到SoloFusin的42.7已经有10几个点的性能提升，一步步发展过来性能提升还是很明显的Video Bev 降低了计算复杂度的同时，还保证了感知性能不会降低。

使用 BEV 投影的高效城市规模点云分割

weixin_43823175的博客

03-25

5404

使用 BEV 投影的高效城市规模点云分割论文 Efficient Urban-scale Point Clouds Segmentation with BEV Projection 地址 https://arxiv.org/pdf/2109.09074.pdf 代码：https://github.com/zouzhenhong98/SensatUrban-BEV-Seg3D 摘要：点云分析近年来吸引了研究人员的眼球，而 3D 语义分割仍然是一个问题。大多数深度点云模型直接对3D点云进行学习，这将受到城

参与评论您还未登录，请先登录后发表或查看评论

【多模态融合】MetaBEV 解决传感器故障 3D检测、BEV分割任务

黎国溥

04-06

1816

本文介绍多模态融合中，如何解决传感器故障问题；基于激光雷达和相机，融合为BEV特征，实现3D检测和BEV分割，提高系统容错性和稳定性。会讲解论文整体思路、模型框架、论文核心点、损失函数、实验与测试效果等。

面向BEV感知の4D标注方案

whaosoft143ai的博客

11-06

219

挖来大佬的~~《面向BEV感知的4D标注方案》。首先会简单的介绍一些4D标注的技术，以及依赖的硬件基础；之后主要介绍两种标注方案：一种是面向采集场景的，主要是在研发阶段，使用的车辆传感器会按照自己的需求进行改装。一个简单的例子就是可以用一些非量产的传感器；另一种是面向量产场景的，例如针对量产数据badcase迭代阶段，这种场景下只能够利用量产车上的传感器，会有一些限制；最后，我会介绍一下地平线4D-Label的云端运营平台，以及4D-Label技术的未来发展趋势。1. 4D Label技术简介首先介绍一下4

Mamba YOLO | 超越所有YOLO系列模型？

CV_Autobot的博客

06-19

1134

点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『Mamba』技术交流群论文作者|Zeyu Wang等编辑 | 自动驾驶之心写在前面&笔者的个人理解在深度学习技术快速进步的推动下，YOLO系列为实时物体探测器树立了新的基准。研究人员在YOLO的基础上不断探索重新参数化、高效层聚合网络和无锚技术的创新应用。为了...

第二十四章 BEV感知系列一(车道线感知)

weixin_44302770的博客

11-04

647

近期参与到了手写AI的车道线检测的学习中去，以此系列笔记记录学习与思考的全过程。车道线检测系列会持续更新，力求完整精炼，引人启示。所需前期知识，可以结合手写AI进行系统的学习。BEV感知系列是对论文的翻译整理，有多处瑕疵，敬请谅解。 自动驾驶中的感知识别任务是本质上是对物理的三维几何重建世界。随着传感器的多样性和数量变得自动驾驶的装备越来越复杂车辆(SDV)，表示从不同角度的特征统一的观点至关重要。众所周知的鸟瞰图(BEV)是一种自然而直接的候选视图，可以作为统一的表示。

利用潜世界模型增强端到端自动驾驶

yorkhunter的博客

07-30

1219

24年6月来自中科院自动化所、中科大和中科院香港创新研究院的论文“Enhancing End-to-End Autonomous Driving with Latent World Model”。

基于pointpillars的点云目标检测、测试评估、TensorRT后量化及ROS可视化

xiaohu的博客

02-09

1844

参考：https://github.com/traveller59/kitti-object-eval-python，把相应的的依赖函数提取出来了，不需要单独安装second-1.5.1，spconv-1.0。也可以混合精度测试，通过修改config里的yaml参数，测试评估时要保证路径一一对应。可以看出int8精度损失比较严重，需要进一步做感知训练量化，接下来会利用英伟达提供的。编译代码，会得到两个可执行文件，一个用于获取数据的推理结果，一个用于可视化。进一步做感知训练量化。

论文阅读：LIF-Seg: LiDAR and Camera Image Fusion for 3DLiDAR Semantic Segmentation

qq_53086461的博客

12-05

2351

LIF-Seg：用于 3D LiDAR 语义分割的 LiDAR 和相机图像融合作者：华科 + 商汤未发表2021

BEV LSS模型预训练权重

07-29

BEV LSS模型预训练权重

毕业设计&课设-Simscape中用于纵向动力系统分析的纯电动汽车（BEV）模型.zip

01-08

matlab算法，工具源码，适合毕业设计、课程设计作业，所有源码均经过严格测试，可以直接运行，可以放心下载使用。有任何使用问题欢迎随时与博主沟通，第一时间进行解答！ matlab算法，工具源码，适合毕业设计、课程...

[视觉基础知识]: img to bev # include bev seg

tsq292978891的博客

03-20

396

为了解决这个问题，传统上一个常见的做法是IPM（inverse perspective mapping，逆透视映射），但这个方法会依赖这些假设：1. 固定的相加外参；2D图像本质上是3D空间在2D平面上的投影，如果反过来得到bev表示是一个 inherently ill-posed problem。有源传感器（lidar or radar）得到的数据，天然就是一种bev表示（x-y平面）；但是当相机外参变化时，或者非平坦表面或崎岖不平的道路，该方法就逐渐失效了。收集标注数据是一个很难的问题。

基于人工智能的自动驾驶系统项目教学指南

stm32d1219的博客

09-13

1372

自动驾驶系统是人工智能的一个核心应用领域，涉及多个学科的交叉：从计算机视觉、深度学习、传感器融合到控制系统，自动驾驶项目可以提供高度的挑战性和实践意义。通过本文的详细教学，你可以构建一个简化的自动驾驶系统。我们将构建一个卷积神经网络（CNN），用于处理输入的道路图像，并预测车辆应保持的方向。该模型可以扩展到实际的自动驾驶中，通过搭载摄像头与其他传感器（如雷达、LIDAR）来获取实时道路信息，并做出相应的控制决策。1. 仿真数据：在仿真环境中驾驶车辆，记录摄像头采集的图像数据，以及对应的方向盘转向角度。

自动驾驶自动泊车场景应用总结

xiaomu_347的博客

09-12

187

自动泊车技术是当前智能驾驶技术的一个重要分支，其目标是通过车辆自身的感知、决策和控制系统，实现车辆在有限空间内的自主泊车操作。目前自动泊车可分为半自动泊车、全自动泊车、记忆泊车、四种产品形态，其中，根据搭载传感器和使用场景的不同，全自动泊车又可分为基于超声波的全自动泊车、超声波融合环视摄像头的全自动泊车、遥控泊车三种形态。随着自动泊车技术的不断迭代，自动泊车功能的实用性也越来越强。目前存在的自动泊车的典型方案如下。

即插即用！高德&西交的PriorDrive：统一的矢量先验地图编码，辅助无图自动驾驶

最新发布

qq_50213874的博客

09-16

623

最近出现了很多先验地图的论文，高德地图和西交的这篇工作PriorDrive也给出了他们的方法。使用车载传感器来在线构建高精地图已经成为一种很有前途的解决方案;然而，由于遮挡和恶劣天气等，这些方法可能会受到数据不完整的阻碍。本文提出了PriorDrive框架，通过利用先验地图来解决这些限制，显著提高了在线高精地图构建的鲁棒性和准确性。

行业分析---自动驾驶行业的发展

智能汽车人的博客

09-16

440

百度Apollo打通与ROS的通信，扩展自动驾驶系统生态

m0_74626628的博客

09-10

1146

技术文档｜打通与ROS的通信，扩展自动驾驶系统生态_Apollo开发者社区 (baidu.com)

Andrej Karpathy谈AI未来：自动驾驶、Transformer与人机融合

weixin_41496173的博客

09-16

719

在人工智能领域，Andrej Karpathy 是一个无法忽视的名字。从他早期在 OpenAI 的工作，到后来担任 Tesla 的 AI 主管，他在自动驾驶、深度学习等方面的贡献广为人知。最近，卡帕西做客了著名的播客节目 **No Priors**，他在访谈中分享了很多关于自动驾驶、Transformer 以及人机融合的激进观点。本文将对这次访谈的核心内容进行深入分析，探讨他对 AI 未来的预见，以及这些技术在我们生活中的潜力。

bev transformer模型

07-27

BEV+Transformer模型是一种在视觉检测领域中被广泛应用的模型。它的原理是将视觉图片转换到BEV（鸟瞰图）坐标系下，并使用连续帧编码的方式来获取更丰富的特征信息。这种模型的组合体量较大，需要更多的数据进行训练，并且对AI芯片的推理部署也有更高的要求。\[2\] BEV+Transformer模型在智能驾驶领域非常热门，被认为是无人驾驶低迷期的亮点。它彻底终结了2D直视图+CNN时代，为智能驾驶系统带来了新的突破。这种模型对智能驾驶硬件系统有着重要的影响，需要更强大的AI芯片来支持其推理和计算需求。同时，BEV+Transformer模型的应用也使得智能驾驶系统能够更准确地感知和理解周围环境，提高了驾驶的安全性和效率。\[3\] #### 引用[.reference_title] - *1* *3* [BEV和Transformer对无人驾驶硬件体系的巨大改变](https://blog.csdn.net/CV_Autobot/article/details/129077320)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [BEV+Transformer的发展趋势](https://blog.csdn.net/weixin_41691854/article/details/129921659)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]