Pseudo-LiDAR from Visual Depth Estimation

最新推荐文章于 2022-11-09 22:50:26 发布
最新推荐文章于 2022-11-09 22:50:26 发布
阅读量388 收藏 1
点赞数
分类专栏： 单目深度估计 文章标签： 深度学习 计算机视觉
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/weixin_41134246/article/details/107989617
版权

Pseudo-LiDAR from Visual Depth Estimation:Bridging the Gap in 3D Object Detection for Autonomous Driving

  • 作者：Yan Wang, Wei-Lun Chao, Divyansh Garg, Bharath Hariharan, Mark Campbell, and Kilian Q. Weinberger
  • 机构：Cornell University, Ithaca, NY
  • 出处：CVPR 2019

主要贡献

  1. 激光雷达数据过于昂贵，而单目数据在3D目标检测中变现较差，打破主要原因是深度估计不准确的思想局限
  2. 实验证明雷达点云的数据表示形式比深度图的形式要好，并且在实验中效果大大提升，从22%到74%，证明了其将单目深度估计图转换为虚假雷达点云的有效性。

写作笔记

stereo imagery data：立体成像数据
hefty premium：高额费用
quadratically：平方的
posit：假设
agnostic：不可知的

研究价值

  • 雷达代价高，费用高
  • 过度依赖一种传感器是有安全隐患的，需要有另外的传感器在雷达失效之后继续恢复使用
  • 光学相机价格低，且能生成密集的深度图，而不是像雷达一样生成稀疏的深度图

雷达点云与深度图输入对比

  • 基于图像的深度被密集地估计为每个像素，并且通常表示为附加的图像通道，使得远处的物体更小，更难检测
  • 深度图的像素邻域将来自三维空间遥远区域的点聚集在一起。没有按照深度来分层处理

网络流程

在这里插入图片描述

未来工作

  • 更高分辨率的立体图像
  • 速度上可以有所提升
  • 可以融合雷达点云数据和光学相机产生的伪雷达数据，更好的提升3D物体检测的效果
Harrylin、
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【论文阅读】【三维目标检测】Pseudo-LiDAR from Visual Depth Estimation
麒麒哈尔的博客
11-28 2249
文章目录检测结构对使用Pseudo LiDAR有效性的解释实验 2019CVPR 本文提出了一个重要观点：使用图像做三维目标检测，其效果差不是因为使用图像得到的深度信息不准确，而是因为使用前视图这种表示方式的问题。 由于本文并未提出什么新的网络，所以这篇paper的解读与其他的结构不太一样。 检测结构 上图为本文提出的检测结构，整体分为两步走，第一步通过计算Depth Map，恢复出Pseudo...
Pseudo-LiDAR from Visual Depth Estimation:
哟哟哟哟哟哟
06-15 477
今天想分享的是CVPR2019的一项来自美国康奈尔大学的研究。他们提出了一种新的方法，称为虚拟激光雷达。能够缩小自动驾驶领域基于激光雷达和基于摄像头的3D目标检测方法之间的差距。使得摄像机代替激光雷达成为了可能。虚拟激光雷达也是现在美国自动驾驶公司特斯拉的主要推崇的技术。 首先来看什么是3D目标检测。目标检测是为了定位和分类物体。 3D目标检测输出物体类别及在三维空间中的长宽高、旋转角等信息 可靠和鲁棒的三维目标检测是自动驾驶的基本要求之一。毕竟，为了避免与行人，汽车相撞，车辆首先必须能够检.
Pseudo-LiDAR from Visual Depth Estimation 论文笔记
Tianchao龙虾
04-10 539
Pseudo-LiDAR from Visual Depth Estimation: Bridging the Gap in 3D Object Detection for Autonomous Driving 论文链接： https://arxiv.org/abs/1812.07179 Problem Statement 基于雷达的3D目标检测可以较为精准但是依赖昂贵的雷达设备，而基于单目或者双目摄像头的3D目标检测精度低。作者认为是深度估计表示的问题，而不是深度估计的数据和雷达数据有很大差异的问题。 D
论文阅读：Pseudo-LiDAR from Visual Depth Estimation
baidu_23388287的博客
08-10 451
摘要： 　　3D目标检测在自动驾驶领域是一个至关重要的任务。在高精度的检测技术中，提供的精确的3D数据是从昂贵的激光上得到的。目前基于便宜的单目或者双目图像得到的深度估计都是低精度的，主要是由于深度估计方法的缺少。在本文中，我们是从数据的表现性而不是从数据质量上来讨论。考虑使用内部工作的卷积神经网络，我们提出了基于图像的深度图转换为伪激光雷达表示－本质上模仿激光雷达信号。通过这种表示我们可以应用不同的现有的基于lidar的检测算法。在流行的kitti数据集基准测试中，本文的方法在现有的基于图像的state
Pseudo-LiDAR from Visual Depth Estimation: Bridging the Gap in 3D Object Detection for Autonomous Dr
weixin_45614254的博客
10-27 877
Pseudo-LiDAR from Visual Depth Estimation Bridging the Gap in 3D Object Detection for Autonomous Driving 用激光雷达(红色)和伪激光雷达(绿色)获得的叠加了边界框的汽车。左下角：估计的视差图。右：伪激光雷达(蓝色)vs激光雷达(黄色)。 观点论述 使用图像做三维目标检测，其效果差不是因为使用图像得到的深度信息不准确，而是因为使用前视图这种表示方式的问题。以往认为基于图像的3D检测精确性更低是因为深度估计
Pseudo-LiDAR from Visual Depth Estimation.pdf
09-14
Pseudo-LiDAR from Visual Depth Estimation.pdf
pseudo-LiDAR_e2e:伪LiDAR_e2e
04-14
作者： ， ， ， ， ， ， ， 和 引文@inproceedings{qian2020end, title={End-to-End Pseudo-LiDAR for Image-Based 3D Object Detection}, author={Qian, Rui and Garg, Divyansh and Wang, Yan and You, Yurong ...
PSEUDO-LIDAR ACCURATE DEPTH FOR 3D OBJECT DETECTION IN AUTONOMOUS DRIVING
06-02
计算机视觉Github开源论文
# End-to-end Pseudo-LiDAR for Image-Based 3D Object Detection Th
最新发布
10-17
图像+lidar融合目标检测
monocular-depth-estimation
05-04
使用3D几何约束对单眼视觉惯性里程表进行自我监督的深度学习DeepVO：用于单眼视觉测程的深度学习方法激光雷达DeepLiDAR：基于稀疏LiDAR数据和单色图像的室外场景的深表面法向引导深度预测Pseudo-LiDAR ++：自动驾驶...
【3D目标检测】Pseudo-LiDAR from Visual Depth Estimation
可乐大牛的博客
11-09 846
本文是基于图像的3D目标检测算法，以往基于图像的方法在精度上始终远远低于基于点云的方法，其中的原因一般被认为是基于图像的深度估计效果不好，而作者认为是数据表示的问题，作者将预测到的深度图转换成了伪点云，然后应用基于点云的算法，得到了远超普通基于图像方法的效果。（当时30m范围内，基于图像方法的SOTA是22%的准确率，本文达到了74%）以往基于图像的方法，最主要的工作就是模态融合，辅助基于点云的方法得到更好的效果 害！
Pseudo-LiDAR
auto driving
08-03 146
Pseudo-LiDAR 利用双目进行3D目标检测_lucky li的博客-CSDN博客_双目3d目标检测
Pseudo-LiDAR 利用双目进行3D目标检测
weixin_41965898的博客
08-27 3126
Pseudo-LiDAR 简介 来自康奈尔大学的"Pseudo-LiDAR from Visual Depth Estimation: Bridging the Gap in 3D Object Detection for Autonomous Driving". 主要探讨了为什么Image-based 3D Perception与LiDAR-based 3D Perception之间存在较大的gap，并且提出了bridge this gap的解决方案。 首先利用DRON或PSMNET从单目 (Mo.
BEV和Pseudo-Lidar
qq_44902479的博客
06-11 1279
单目3d目标检测中的鸟瞰图生成和伪雷达问题
视觉深度估计的Pseudo-LiDAR：弥合自动驾驶3D对象检测中的差距（CVPR2019）
05-16 2912
摘要 3D对象检测是自动驾驶中的一项基本任务。只要从精确但昂贵的LiDAR技术中获得3D输入数据，最新技术就可以以高度准确的检测率获得优势。迄今为止，基于廉价的单目或立体图像数据的方法导致精度大大降低，而这种差距通常归因于基于图像的深度估计不佳。但是，在本文中，我们认为，造成差异最大的不是数据质量，而是其表示形式。考虑到卷积神经网络的内部工作，我们建议将基于图像的深度图转换为伪LiDAR表示-本...
【PDP】RGB-‘D’ Saliency Detection With Pseudo Depth
m0_58702532的博客
05-05 562
【PDP】RGB-‘D’ Saliency Detection With Pseudo Depth IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 28, NO. 5, MAY 2019 动机 显著性目标检测还是以RGB图为主 人脑可以从仅 RGB 的图中提取场景的几何模型，提供场景的 3D 感知（脑补） 措施 RGB-'D' ： 从 单个RGB 图像中估计伪深度（与人类感知一致）作为补充信息来辅助显著性检测 注意：其实所谓的伪深度就是单目深度估计
阅读笔记RGB-‘D’ Saliency Detection With Pseudo Depth
marcotsui的博客
06-25 480
贡献 1.提出伪深度的测量方法。 2.提出伪深度背景先验。 3.提出基于伪深度的显著性检测算法Pseudo Depth Prior （PDP）。 4.在RGB模型中套用PDP
【CVPR2019_论文汇总】（按方向划分，0401 更新中）
热门推荐
maweifei的博客
04-01 3万+
转载链接：http://bbs.cvmart.net/topics/302/cvpr2019paper 作为计算机视觉领域三大顶会之一，CVPR2019（2019.6.16-6.19在美国洛杉矶举办）被CVers 重点关注。目前CVPR 2019 接收结果已经出来啦，相关报道：1300篇！CVPR2019接收结果公布，你中了吗？ 开设此帖希望可以实时跟进CVPR2019的即时信息及相关优秀论文，...
Algorithms for Creating a UUID from Truly Random or Pseudo-Random Numbers
04-27
UUIDsUniversally Unique Identifiers) are typically generated using random or pseudo-random numbers. Here are a few algorithms commonly used for creating UUIDs: 1. Version 4 UUID: This is the most ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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