- 博客(31)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 RockTrack：A 3D Robust Multi-Camera-Ken Multi-Object Tracking Framework
随着检测技术的提高，多目标跟踪算法快速发展，特别是经济实惠的多相机跟踪。现有的多相机端到端跟踪技术，由于训练的原因，导致局限于单一的检测器，导致灵活性降低了。此外，目前的通用跟踪器忽略了多摄像机检测器的特性，比如：运动观测的不可靠性和视觉信息的可行性。为了解决这些挑战，本文提出了RockTrack，一种用于多相机检测器的3D MOT方法。遵循TBD框架，RockTrack与各种现成的探测器兼容。
2024-09-19 18:11:55
305
原创 Hybrid-SORT: Weak Cues Matter for Online Multi-Object Tracking
多目标跟踪旨在检测和帧与帧之间关联所有感兴趣的目标。现有的很多方法都完成了这个任务通过探索和利用一些强相关线索(空间和外观)，这些线索在实例之间有巨大差异性。但是，当目标发生遮挡或者聚集时，由于目标的高度重叠，位置信息和外观信息就会变得混乱。本文证明了使用一些弱线索可以解决上述的MOT挑战随着速度方向的，我们引入了置信度和高度作为潜在的弱线索。本文的方法具有，简单实时在线的优势。此外，我们的方法以即插即用和无训练的方式对不同的跟踪器和场景显示了很强的泛化。
2024-08-09 20:26:24
244
原创 V2I-Calib: A Novel Calibration Approach for Collaborative Vehicle and Infrastructure LiDAR Systems
车路协同激光雷达系统具有巨大的潜力，但目前面临着许多挑战。车路协同系统，对激光雷达系统进行标定是确保感知系统数据的准确性和一致性的关键步骤，因此需要实时和稳定的标定方法。为此，本文介绍了一种利用检测框进行空间关联，从而实现车路协同的激光雷达系统的新标定方法。该方法围绕一种新的整体IoU为中心，该指标反映了车辆和基础设施之间目标的相关性，能够实时监测校准结果。本文通过构造一个相似矩阵来寻找车辆和基础设施节点之间的公共检测框随后，对这些检测框进行了外部参数的计算和优化。
2024-07-16 19:12:43
211
原创 Forecasting from LiDAR via Future Object Detection
1.目标检测和预测是具身感知的基本组成部分。2. 然而，这两个问题目前都是孤立地进行研究3. 在本文中，我们提出了一种端到端基于点云数据的端到端检测和运动预测方法，而不是根据一些真值。4. 我们不是预测当前的帧位置再向前预测，而是直接预测未来的物体位置和反推每个轨迹的起点5. 与其他模块化或端到端基线相比，我们的方法不仅提高了整体的准确性，而且还促使我们重新思考显式跟踪在具体化感知中的作用。
2024-06-30 18:17:59
433
原创 Sparse4D v3: Advancing End-to-End 3D Detection and Tracking
未来sparse 4D 会不会有v4 v5 v6 我们期待一下…时隔半年 对V2 再次改进 也是目前的先进的版本吗？YOLO 也是v3 之后原作者没参与了。
2024-06-30 13:45:26
468
原创 MS-Net: A Multi-Path Sparse Model for Motion Prediction in Multi-Scenes
运动模式的多元和随机性，导致预测任务非常具有挑战性，但是又是自动驾驶非常重要的一环深度学习在这个任务上表现出了巨大的潜力，但是目前在多个驾驶场景(合流，环路，交叉路口)之间的联系是什么，来设计一个网络模型目前，大多数是采用了一个统一的模型来建模多个场景，这可能不是最优的结果，针对单个场景来说。为了解决这个问题，我们提出了多场景网络(又名。MS-Net)，这是一个由进化过程训练的多路径稀疏模型。MS-Net在推理阶段选择性地激活其参数的一个子集，从而为每个场景产生预测结果。
2024-06-29 16:19:18
337
原创 Sparse4Dv2
稀疏算法在多视角时序感知任务中，非常灵活本文，提出另一个增强版本的Sparse4D ，改进了时序融合模块，是利用递归的方式实现了多帧特征采样有效的解耦了图像特征和结构化的锚框特征，Sparse4D 可以实现时序特征的高效转换，从而仅通过稀疏特征的逐帧传递来促进时序融合。递归的时序融合方法有两个主要的好处。首先，它将时序融合的计算复杂度从O (T)降低到O (1)，其次，它使长时间信息的融合成为可能，从而由于时序融合而导致更显著的性能改进。
2024-06-26 23:07:57
1201
原创 Sparse4D v1
多视角的3D感知是自动驾驶系统的关键一环，部署成本低的优势。相较于LiDAR, 相机可以为远距离目标提供视觉线索但是，相机没有深度信息，这就导致了从2d图像中感知3d目标，是一个长期的病态问题。如何融合多视角信息，解决3D感知任务，是一个有意思的问题现在有2种主流方式，一种是基于bev的方法，一种是基于sparse的方法。BEV的方法就是将多个视图特征转到统一的BEV空间，实现一个比较好的表现效果但是BEV方法也有一些劣势。
2024-06-24 23:32:04
820
原创 论文阅读：MOTR
MOTR: End-to-End Multiple-Object Tracking with TRansformer，首篇端到端MOT工作
2024-06-15 17:14:29
179
1
原创 Once Detected, Never Lost:阅读记录
论文：Once Detected, Never Lost:方向：人工标注的优化。
2023-09-06 15:38:13
329
1
原创 安装mmdet3d时，遇到pytorch版本高导致的THC.h不存在的报错
针对mmdet3d，则修改mmdetection3d/mmdet3d/ops路径下的.cpp文件(可以通过报错定位查找)
2023-09-05 21:23:00
650
原创 DAIR-V2X： A Large-Scale Dataset for Vehicle-Infrastructure Cooperative 3D Object Detection
车路协同数据集
2023-05-12 15:54:14
557
1
原创 win10系统下使用mingw编译protobuf，并且在vscode中使用cmake配置应用
2、设置Specify native compilers 自己的编译器。3、 选择mingw makefiles。1、 点击configure按钮。写于：2023/4/17。
2023-04-17 23:02:25
1919
1
原创 BoT-SORT: Robust Associations Multi-Pedestrian Tracking
BOT-Sort 本文贡献，1.重新思考卡尔曼预测的状态向量的选择，2. 对运动相机进行补偿。3.对IOU与外观特征的融合进行了改进。（优化cost矩阵）
2022-07-22 11:13:00
943
原创 卡尔曼预测在视觉跟踪中的运用
卡尔曼预测在视觉跟踪中的运用本文以byteTrack为例 进行分析byteTrack：论文：code卡尔曼的五个公式其中A 为状态转移矩阵P为协方差矩阵K为卡尔曼增益H为观测矩阵在byteTrack中的代码实现过程：其中卡尔曼的实现在项目的文件中在视觉的目标跟踪一般是状态变量X采用（x, y, a, h, vx, vy, va, vh）观测变量Z采用(x, y, a, h)状态变量X分别代表检测框的中心点：x，y 检测框的长宽比率a，以及检测框的高h，剩下的
2022-05-23 19:26:31
1976
1
原创 flask重录制版本
flask部署ssh连接服务器putty连接服务器（大家应该都知道了）ssh保持长时间连接不断编辑/etc/ssh/sshd_config，添加配置项： ClientAliveInterval 600 ClientAliveCountMax 10ClientAliveInterval 600 表示每600秒发送一次请求， 从而保持连接。ClientAliveCountMax 10 表示服务器发出请求后客户端没有响应的次数达到10次，就自动断开连接。则无响应的SS
2021-08-12 16:57:35
7701
3
原创 第一个DApp部署
第一个DApp部署第一步 编写第一个智能合约采用remix网站编写智能合约。智能合约语言采用solidity。pragma solidity ^0.4.24;contract InfoContract{ string name; uint age; function setInfo(string _name, uint _age) public { name = _name; age = _age; }
2021-08-10 18:43:59
347
原创 mySQL教程笔记
mySQL数据库文章目录mySQL数据库第二节第三节第四节第五节第六节第六节##第一节创建数据库CREATE DATABASE test;CREATE DATABASE [数据库名称];使用数据库USE test;USE [数据库名称];查看数据库SHOW DATABASES;查看数据表SHOW TABLES;创建数据表 CREATE TABLE pet( name VARCHAR(20), owner VA
2021-08-09 19:42:45
773
原创 两帧图像相似
图像相似图片相似度计算的几种方法欧式距离[欧几里得距离（Euclidean Distance）]欧氏距离是最常见的距离度量(用于衡量个体在空间上存在的距离，距离越远说明个体间的差异越大)，衡量的是n维空间中两个点之间的实际距离。A=(a1,a2,...an),B=(b1,b2,...bn)A=(a_1,a_2,...a_n),B=(b_1,b_2,...b_n)A=(a1,a2,...an),B=(b1,b2,...bn)d(A,B)=[∑(ai−bi)2]](i=1,
2021-07-07 22:11:50
908
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人