- 博客(8)
- 收藏
- 关注
RSS订阅原创 【论文阅读分享】SCKD: Semi-Supervised Cross-Modality Knowledge Distillation for 4D Radar Object Detection
《SCKD：半监督跨模态知识蒸馏在4D雷达目标检测中的应用》提出了一种解决4D毫米波雷达点云稀疏、噪声大且标签数据匮乏的方法。该方法通过教师-学生网络架构，利用激光雷达（LiDAR）引导雷达特征学习：1）采用稀疏卷积提取双模态特征，并通过自适应权重融合；2）引入模态丢弃机制增强鲁棒性；3）设计了特征级（LiDAR到雷达、融合到雷达）和输出级（基于置信度筛选伪标签）的蒸馏策略。实验表明，该方法有效提升了雷达目标检测性能，代码已开源。
2025-06-22 17:19:45
291
1
原创 【论文阅读分享】L4DR: LiDAR-4DRadar Fusion for Weather-Robust 3D Object Detection
首先对于Radar的数据会进行前景点预测，即FAD，以去除噪声点的影响。随后通过MME模块对Radar和LiDAR的特征进行交互补充。最后在BEV特征图上进行多层次的门控特征融合，最后送到检测头中输出检测结果。
2025-06-22 10:57:32
1275
1
原创 【论文阅读分享】3D-CVF: Generating Joint Camera and LiDAR Features Using Cross-View ..........
低级 LiDAR 特征和摄像头特征使用基于感兴趣区域 （RoI） 的特征池分别池化，并与联合摄像头 LiDAR 特征融合，以增强提案优化。其中集合 {fm，n} 对应于最接近（ˆ x+ ∆x， ˆ y + ∆y）的四个相邻特征像素，wm，n 是通过插值方法获得的权重。体素中心投影到相机视图平面中的（ˆ x， ˆ y），并且 （ˆ x， ˆ y） 由校准偏移量 （∆x， ∆y） 进行调整。，将 2D 相机特征转换为平滑的空间特征图，与鸟瞰图 （BEV） 域中的 LiDAR 特征具有最高的对应关系。
2024-08-30 14:33:55
650
1
原创 【论文阅读分享】Point Density-Aware Voxels for LiDAR 3D Object Detection
点密度感知体素网络 （PDV），是一种端到端的两阶段LiDAR 3D 对象检测架构，旨在考虑这些点密度变化。通过体素点质心有效地定位3D 稀疏卷积主干中的体素特征。通过使用核密度估计（KDE）和带有点密度位置编码的自我注意的密度感知 RoI 网格池模块聚合空间定位的体素特征。利用LiDAR 的点密度与距离关系来优化最终的边界框置信度。
2024-08-30 13:37:35
852
1
原创 【论文阅读分享】LoGoNet: Towards Accurate 3D Object Detection with Local-to-Global Cross-Modal Fusion
对投影网格点周围的图像特征进行采样，以便与位置修饰的点云特征融合，从而最大限度地利用围绕提案的丰富上下文信息。FDA 实现了全局和局部融合特征之间的信息交互，从而产生了信息量更大的多模态特征。Fs虽然包含了不同来源的特征信息，但交互不充分，因此引入了自注意力机制，自适应的构建不同网格点特征之间的关系，增强信息交互。特征动态聚合（FDA）： 实现这些局部和全局融合特征之间的信息交互，从而产生信息量更大的多模态特征。自注意力机制选择图像中与点云的高相关性特征，随后与点云特征进行融合。最后进行包围框预测等。
2024-08-29 14:06:29
1120
1
原创 【论文阅读分享】Focal Sparse Convolutional Networks for 3D Object Detection
主要介绍了一下三种卷积的一个理解，理解不全请见谅，互相讨论学习
2024-08-19 14:53:12
707
1
空空如也
K-Radar数据集怎么下载和使用
2025-04-15
TA创建的收藏夹 TA关注的收藏夹
TA关注的人