![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 69
深度学习
你看见的我
我就在这里,你呢?
展开
-
从0到1实现神经网络
从0到1实现神经网络转载 2023-02-02 17:17:41 · 180 阅读 · 0 评论 -
(阅读笔记)CoFF: Cooperative Spatial Feature Fusion for 3D Object Detection on Autonomous Vehicles
CoFF动机和贡献F-Cooper融合特征图的检测结果缺陷示例CoFFInformation-based Spatial Feature FusionFeature Enhancement动机和贡献车辆合作感知可以扩大单个车辆的感知视野和增强感知能力。直接共享原始点云数据产生的通信量,在当下的网络通信条件下是不实际的。相比于原始点云共享和融合,体素特征(或空间特征)融合可以达到相近的检测效果,且通信量较小。点云特征融合工作(F-Cooper)忽略了待融合特征图之间的语义信息差异,直接采用maxo原创 2021-09-16 20:43:46 · 436 阅读 · 1 评论 -
(阅读笔记)Low-Latency High-Level Data Sharing for Connected and Autonomous Vehicular Networks
检测结果共享动机和贡献L3数据共享协议高级数据共享低延迟数据共享数据聚合过程动机和贡献动机:通过与附近车辆和路边基础设施共享感知结果,车辆可以极大地增强对周围环境的感知,从而提高决策能力。贡献:提出了一种低延迟、高级(L3)数据共享协议,车辆的目标检测结果用感知矩阵表示,,便于车辆之间利用捕获效果进行快速信息共享。挑战:仅依靠自身传感器的车辆可能发生检测错误;障碍物阻挡车辆视线;带有详细标记信息(被检测物体的信息应该包括什么时候,什么地方,什么类型的物体被什么车辆上的什么传感器检测到,以及这个物体原创 2021-08-31 00:22:31 · 166 阅读 · 0 评论 -
(阅读笔记)F-Cooper: Feature based Cooperative Perception for Autonomous Vehicle Edge Computing System Us
F-Cooper动机和贡献F-Cooper动机和贡献动机:多车辆联合感知可以增强车辆的的检测能力以及扩展车辆的感知范围;原始点云数据融合需要占用大量的通信开销,难以满足实际的时延需求;贡献:压缩共享的数据尺寸,提出特征融合方法,包含体素特征融合VFF和空间特征融合SFF;可以部署在车内或路边边缘系统。【融合特征图(而不是原始数据)不仅能解决隐私问题,还能大大降低网络带宽需求。】F-Cooper体素特征融合VFF:非空体素编码为128维特征向量,相同位置的体素特征向量采用maxout方法进行原创 2021-08-30 23:09:45 · 721 阅读 · 0 评论 -
(阅读笔记)Cooper: Cooperative Perception for Connected Autonomous Vehicles based on 3D Point Clouds
Cooper动机和贡献Cooper动机和贡献动机:单个车辆的检测精度(由于障碍物遮挡等)和感知范围(由于传感器性能等)问题;贡献:原始点云数据的融合;Cooper点云数据融合:发送车辆与接收车辆的相对位置校准;旋转角度对齐;点云目标检测:采用VoxelNet网络(VFE;Spare CNN;RPN)...原创 2021-08-30 22:53:36 · 452 阅读 · 0 评论 -
(阅读笔记)VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection
VoxelNet动机和贡献VoxelNet网络动机和贡献动机(1)点云特性:密度不均匀和不规则性(2)人工特征工程:具有场景局限性,不能学习特征不变性,复杂场景(自主导航)收效甚微;(3)直接消耗点云的工作:PointNet和PointNet++直接学习稀疏点云特征,但实验是处理的1k点的点云,实际点云密度远远大于这个,将导致巨额计算和内存开销。【研究方向:人工特征(鸟瞰投影)–>机器学习特征(体素网格特征)】贡献(1)提出了一种端到端可训练的基于点云的三维检测深度架构Voxe原创 2021-08-30 00:41:29 · 166 阅读 · 0 评论 -
(阅读笔记)PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud
PointRCNN一、动机和贡献二、PointRCNN模型1) 通过点云分割自下而上生成3D提案2)点云区域池化3)规范3D边框的细调参考文献一、动机和贡献动机(1)从鸟瞰投影、Front投影和球面投影,或从RGB图像生成目标边界框建议,在量化过程中会遭受信息损失,我们直接从原始点云自下而上生成3D边界框建议;(2)PointNet和PointNet++的性能严重依赖于二维检测性能,不能利用三维信息的优势来生成鲁棒的边界框建议。(3)与二维图像中的目标检测不同,自动驾驶场景中的三维目标是自然、良原创 2021-08-29 23:36:45 · 452 阅读 · 0 评论 -
(阅读笔记)PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
PointNet++一、动机和贡献二、PointNet++模型一、动机和贡献点云深度模型的现有工作①体素编码;②将点云映射至平面投影;③人工特征工程;④直接消耗点云(PointNet)。PointNet的局限性:PointNet对于场景的分割效果十分一般,由于暴力地将所有点最大池化为全局特征,没有学习到局部点与点之间的关系;作者在PointNet++中主要借鉴了CNN的多层感受野思想,分层使用卷积核做内积,渐渐扩展后层单个特征的感受野,提取到局部特征;且提出多尺度分组的特征提取方原创 2021-08-29 22:54:28 · 364 阅读 · 0 评论 -
(阅读笔记)PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
PointNet一、动机和贡献二、点云特性三、PointNet网络结构分类网络分割网络一、动机和贡献动机:大多数研究人员选择将不规则的点云数据转换成规则的3D体素网格或特征投影,导致大量的点云信息缺失。贡献:设计了一种直接消耗点云的新型神经网络PointNet,考虑点云的无序性、点间关系、排列不变性;训练PointNet网络用来执行三维形状分类、形状部分分割和场景语义分析任务,提供了统一的体系结构。二、点云特性无序点云数据是一个集合,对数据的顺序是不敏感的。这就意味这处理点云数据的模型需要原创 2021-08-29 22:19:09 · 264 阅读 · 0 评论 -
实时深度学习
实时深度学习研究综述原创 2020-12-31 22:49:19 · 904 阅读 · 0 评论