TPAMI 2024 | 双向摄像头-激光雷达融合学习光流和场景流

最新推荐文章于 2024-08-25 21:50:20 发布
最新推荐文章于 2024-08-25 21:50:20 发布
阅读量146 收藏
点赞数 6
分类专栏： 论文解读 IEEE TPAMI 文章标签： 学习 光流估计 RGB-L TPAMI 论文解读 顶刊论文
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/qq_42722197/article/details/140221115
版权
论文解读 IEEE TPAMI 专栏收录该内容
161 篇文章 11 订阅 ¥29.90 ¥99.00
订阅专栏

题目：Learning Optical Flow and Scene Flow With Bidirectional Camera-LiDAR Fusion

双向摄像头-激光雷达融合学习光流和场景流

作者：Haisong Liu; Tao Lu; Yihui Xu; Jia Liu; Limin Wang

源码链接： https://github.com/MCG-NJU/CamLiFlow

摘要

在本文中，我们研究了从同步的二维和三维数据中联合估计光流和场景流的问题。以往的方法要么采用一个复杂的流程，将联合任务分解为独立的阶段，要么以“早融合”或“晚融合”的方式融合二维和三维信息。这种一刀切的方法因未能充分利用每种模态的特性或最大化模态间的互补性而陷入困境。为了解决这个问题，我们提出了一个新颖的端到端框架，它由二维和三维分支组成，在特定层之间有多个双向融合连接。与以往的工作不同，我们应用了一个基于点的三维分支来提取激光雷达特征，因为它保留了点云的几何结构。为了融合密集的图像特征和稀疏的点特征，我们提出了一个可学习的算子，名为双向相机-激光雷达融合模块（Bi-CLFM&#

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
  • 6
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
摄像头与激光雷达微波雷达的融合算法之三-----关联
xiao__run的博客
10-12 2103
1、前言 确实是好久没有写博客了，好多朋友一直催我写融合得，接下来我更新快点，接着上一篇 (210条消息) 摄像头与激光雷达微波雷达的融合算法之二标定_xiao__run的博客-CSDN博客 继续介绍，接下来我介绍如何进行关联匹配 ...
【多模态融合】SuperFusion 激光雷达与相机多层次融合 远距离高清地图预测 ICRA 2024
黎国溥
03-26 3235
本文介绍激光雷达与相机进行多层次融合，包括数据级融合、特征级融合和BEV级融合。融合后的BEV特征可以支持不同的任务头，包括语义分割、实例编码和方向预测，最后进行后处理生成高清地图预测，它是来自ICRA 2024的。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。
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 1914
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...
视频和激光融合目标检测笔记
Luemmm的博客
06-11 1580
1.文章一 为提高军用地面无人平台自主跟随过程中对目标领航车辆检测识别的准确性和实时性, 提出了一种基于激光雷达和视觉摄像机信息融合的目标领航车检测识别方法。 在识别系统工作前,需对激光雷达和摄像机两种传感器进行标定,确定激光雷达坐标、 摄像机坐标、 车体坐标三者之间的相互关系。车辆识别过程中, 首先对激光雷达数据进行最近邻域法聚类分析, 根据聚类的结果对周围目标进行初步筛选生成假设目标;根据...
TPAMI 2024 | 正则化损失与超参数估计在弱监督单类分割中的应用
小白学视觉
07-18 976
Regularized Loss With Hyperparameter Estimation for Weakly Supervised Single Class Segmentation 正则化损失与超参数估计在弱监督单类分割中的应用 作者：Zongliang Ji; Olga Veksler 摘要 我们提出了一种新的图像级弱监督分割方法，适用于只含有单一感兴趣对象类别的数据集。我们的方法基于经典条件随机场（CRF）建模启发的正则化损失函数。我们的损失模型了通用对象的属性，并用它引导CNN朝向更可能对
TPAMI 2024 | 基于GPR和模型空间学习的地下诊断
小白学视觉
07-01 861
地面穿透雷达（GPR）已广泛应用于管道检测和地下诊断。在实际应用中，通常在完全分析获得的GPR数据之前，很少了解被检测区域的GPR数据特征和可能存在的地下异常结构，这导致了自动识别地下结构或异常的挑战。在本文中，提出了一种基于模型空间学习的GPR B扫描图像诊断方法。模型空间学习的思想是使用在数据部分拟合的模型作为数据更稳定和更简洁的表示。对于GPR图像，提出了2方向回声状态网络（2D-ESN），通过下一项预测拟合图像段。
TPAMI 2024 | P2T：用于场景理解的金字塔池化Transformer
小白学视觉
08-19 505
最近，视觉Transformer通过推动各种视觉任务的最前沿取得了巨大成功。视觉Transformer面临的最大挑战之一是图像标记的大序列长度导致高计算成本（二次复杂度）。解决这个问题的一个流行方法是使用单个池化操作来减少序列长度。本文考虑了如何改进现有的视觉Transformer，其中通过单个池化操作提取的池化特征似乎不够强大。为此，我们注意到金字塔池化由于其在上下文抽象方面的强能力，在各种视觉任务中已被证明是有效的。然而，金字塔池化尚未在主干网络设计中被探索。
TPAMI 2024| BadLabel：评估与增强标签噪声学习的一种鲁棒视角
小白学视觉
07-15 610
标签噪声学习（Label-noise learning, LNL）旨在提高模型在训练数据带有噪声标签的情况下的泛化能力。为了促进实用的LNL算法的发展，研究人员提出了不同类型的标签噪声，从类条件噪声到实例依赖噪声不等。在本文中，我们引入了一种新型的标签噪声类型，称为BadLabel，它可以通过大幅度降低现有LNL算法的性能来显著影响它们。BadLabel是基于标准分类的标签翻转攻击精心设计的，其中选择特定样本并将它们的标签翻转为其他标签，以便干净标签和噪声标签的损失值无法区分。
TPAMI 2024 | 通过消除法检测道路障碍物
小白学视觉
07-31 1291
车辆在道路上可能会遇到无数的障碍物，而且事先记录下它们以训练一个检测器是不可能的。相反，我们选择图像块，并使用周围的道路纹理进行填充，这倾向于从这些块中移除障碍物。然后，我们使用一个训练有素的网络来识别原始块和填充后的块之间的差异，这标志着擦除了一个障碍物。
TPAMI 2024 | 基于Dempster-Shafer方法的可信AI在胎儿脑MRI分割中的应用
小白学视觉
07-06 39
题目：A Dempster-Shafer Approach to Trustworthy AI With Application to Fetal Brain MRI Segmentation 基于Dempster-Shafer方法的可信AI在胎儿脑MRI分割中的应用 作者：Lucas Fidon; Michael Aertsen; Florian Kofler; Andrea Bink; Anna L. David; Thomas Deprest; Doaa Emam; Frédéric Guffens;
TPAMI 2024 |X 2 -VLM：视觉语言任务的全能预训练模型
小白学视觉
05-28 87
视觉语言预训练旨在从大量数据中学习视觉和语言之间的对齐。大多数现有方法仅学习图像-文本对齐。其他一些方法利用预训练的对象检测器在对象级别上利用视觉语言对齐。在本文中，我们提出了一种通过统一预训练框架同时学习多粒度对齐和多粒度定位的方法。基于此，我们提出了X2-VLM，一种具有灵活模块化架构的全能模型，我们进一步在一个模型中统一了图像-文本预训练和视频-文本预训练。X2-VLM能够学习与多样化文本描述相关的无限视觉概念。
TPAMI 2024 | 增强视觉-语言预训练中的视觉定位与位置引导文本提示
小白学视觉
06-04 44
视觉-语言预训练（VLP）在图像和文本对齐方面展示了巨大的潜力，为广泛的跨模态学习任务铺平了道路。然而，我们观察到 VLP 模型在视觉定位和局部化能力方面经常表现不佳，而这些能力对许多下游任务，如视觉推理，至关重要。为此，我们提出了一种新颖的位置引导文本提示（PTP）范式，以增强使用 VLP 训练的跨模态模型的视觉定位能力。在 VLP 阶段，PTP 将图像划分为N×NN \times NN×N块，并使用广泛使用的目标检测器来识别每个块中的目标。
数据结构（邓俊辉）学习笔记】优先级队列 08——左式堆：结构
weixin_44399845的博客
08-23 958
学习左式堆的结构
day38-栈和队列理论学习【python】
canGfly的博客
08-21 479
栈（Stack）: 使用 Python 的list实现。主要操作有pushpoppeek, 和is_empty。队列（Queue）: 使用实现。主要操作有enqueuedequeuepeek, 和is_empty。这两种数据结构可以通过这些操作灵活地处理和存储数据。在实际应用中，选择使用哪种数据结构取决于具体的需求和场景。ok了，就到这里叭～～～​​​。
vue.js学习步骤
m0_63178019的博客
08-23 723
Vue.js 从一个简单的实验性项目成长为一个功能强大、社区活跃的前端框架，其发展历程展示了它对前端开发的持续创新和改进。通过引入先进的功能和不断扩展的生态系统，Vue.js 为开发者提供了一个高效、灵活的工具，满足了不同规模和复杂度应用的需求。
Golang学习笔记-Golang中的锁
最新发布
qq_24428851的博客
08-25 780
Go标准库的中的sync.Cond是一个条件变量，它可以让一系列的goroutine都在满足特定条件下时候被唤醒，每一个 sync.Cond 结构体在初始化时都需要传入一个互斥锁，我们可以通过下面的例子了解它的使用方法。因为请求的哈希在业务上一般表示相同的请求，所以上述代码使用它作为请求的键。这个是Go语言的扩展包中提供的另外一个信号量，它能够在一个服务中抑制对下游的多次重复请求，比如在redis的缓存雪崩中，能够限制对同一个 Key 的多次重复请求，减少对下游的瞬时流量。上述两个加起来，只占用8个字节。
学习大数据DAY44 帆软 report 配置
shh2000424的博客
08-23 1088
署，并设置服务器开机自启动，并请实操演示 得分点（完成得满分，未完成得。服务器容器的端口修改，并将内存调大，请实操演示 得分点（完成得。2 部署 tomcat web 服务。1 安装帆软 report v11。配置环境变量 推荐用自己的名字。等几秒查看下进程或者端口。3 显示 帆软 报表平台。分 服务器开机自启动。初始化设置下用户和密码。在它的第二行上面添加。
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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