特征级融合
文章平均质量分 92
协同感知:特征级融合(中期融合)策略
superbzhoucc
这个作者很懒,什么都没留下…
展开
-
LC-aware:在Lossy Communication下基于LCRN和V2VAM的V2V协同感知(3D目标检测)
提出了一种基于中间协作的V2V协同目标检测方法,LC-aware修复网络(LCRN),是一个带有跳过连接的编码器-解码器结构,旨在生成一个张量的内核,用于恢复从协作车辆收到的受损特征。缓解有损通信的副作用;V2V attention模块(V2VAM),融合修复后的特征,加强自我车辆和其他车辆之间的互动,包括自我车辆的车内注意力和不确定性感知的车辆间注意力。通过车内注意力和不确定性意识的车际注意力,加强自我车辆和协作车辆之间的互动。原创 2023-02-12 00:48:53 · 544 阅读 · 0 评论 -
CoAlign:基于Agent-Object Pose Graph的鲁棒协同感知(3D Object Detection)
Pose Error;Intermediate Fusion;3D Object Detection;V2X; Hybrid Collaboration;Intermediate & Late collaboration;原创 2023-01-14 17:35:27 · 674 阅读 · 0 评论 -
基于against pose noise的V2V协同感知(3D Detection, Motion Forecasting)
提出的框架极大地提高了现实和严重的定位噪声下的多代理自驾游感知和运动预测系统的稳健性。在与原始V2VNet相同的设置下进行的评估表明,我们的模型在较大的平移和航向定位噪声下可以保持相同的性能水平,即使V2VNet是通过数据增强训练的,也会受到这种输入噪声的影响。提出了一个协同自动驾驶框架,该框架对V2V通信中的pose error具有鲁棒性。在未来,可利用传入信息中pose error的时间一致性来提高性能。目前考虑的pose噪声服从高斯分布,可能无法纠正更普遍的通信噪声类型。原创 2023-01-12 16:44:25 · 573 阅读 · 0 评论 -
MPDA:基于Domain Adaption的V2X协同感知(3D目标检测)
在协同感知中进行domain gap识别(空间分辨率、通道数量、模式),为解决这3个主要的特征差异问题,提出了一个Multi-agent Perception Domain Adaption(MPDA)框架,可在多个维度上对特征进行调整。提出了一个Learnable Feature Resizer,以自适应的方式更好地调整来自其他agent的空间和通道特征。提出了一个Sparse Cross-domain Transformer,可以有效地统一来自不同agent的特征模式。原创 2022-12-31 02:33:48 · 599 阅读 · 0 评论 -
FS-COD:基于特征共享的V2V协同目标检测
由传感和通信系统的固有限制(遮挡和有限的通信带宽)引起的可扩展性和可靠性问题仍然是具有挑战性的问题。自动驾驶汽车系统的安全性取决于感知和inference系统的稳健性。但是,提高传感系统的质量是昂贵的,即使是高质量的LiDAR设备也不能克服遮挡问题。原创 2022-12-16 18:34:15 · 408 阅读 · 0 评论 -
Learn2com:基于Learnable Communications的V2I协同3D目标检测
提出了一个协同感知框架(Learn2com)使用LiDAR点云数据进行3D目标检测,通过注意力通信机制学习与路边设施智能地进行通信,从而在每个时间段只与一个邻近路边设施进行通信以节省带宽 ,达到提高目标检测精度和减少传输带宽的平衡。为了评估所提出框架的有效性,使用CARLA模拟器构建了一个仿真数据集CARLA-3D。原创 2022-12-14 21:26:03 · 293 阅读 · 0 评论 -
PillarGrid:基于Grid-wise Feature Fusion的V2I协同感知(3D目标检测)
全局空间对齐后,自定义了每个LiDAR的检测区域,而被划分进的点云数据并非此LiDAR传感器产生。pillar特征提取时,选择特征值最大的点来表示该pillar的特征。采用 maxpooling 来进行特征融合,缺乏信息选择和数据关联性的识别,所选择的特征不一定是最好的。V2X协同感知存在的延迟、GPS定位错误、数据丢包等问题。车辆和路边设施的异构性。原创 2022-10-19 20:08:37 · 375 阅读 · 1 评论 -
V2X-ViT:基于Vision Transformer的V2X协同感知
Pose Error;Communication Delay;Intermediate Fusion;V2X;原创 2022-10-14 21:19:22 · 1622 阅读 · 0 评论 -
SyncNet:基于Latency-Aware 的V2V协同感知
针对协同感知中的通信延迟问题,提出了latency-aware协同感知系统,能够在聚合之前同步协作特征,减轻延迟造成的影响,以提高多车感知的性能。为实现特征级的同步,提出了延迟补偿模块SyncNet,通过利用历史协作信息联合估计当前时刻缺失的中间特征和协作注意力,来缓解延迟的影响。局限:估计特征和估计注意力的GT、自车特征图GT存在噪声。原创 2022-10-13 20:38:04 · 1311 阅读 · 0 评论 -
Keypoints-Based Deep Feature Fusion for Cooperative Vehicle Detection of Autonomous Driving
基于LiDAR点云的3D目标检测(车辆),体素特征提取,COMAP仿真数据集。原创 2022-09-30 20:34:15 · 353 阅读 · 0 评论 -
Adaptive Feature Fusion for Cooperative Perception using LiDAR Point Clouds
提出的基于特征融合的协同感知网络结构是从PointPillars扩展而来,以点云为输入,分5步处理数据:1)特征编码–用柱状特征网络(PFN)将点云转换为伪图像;2)中间特征提取–用2D pyramid network金字塔网络从伪图像中提取多尺度特征;3)特征投影–用LiDAR pose信息将CAV的中间特征图投影到自车坐标上;4)中间特征融合–用特征融合网络生成组合特征图;5)3D目标检测–用Single Shot Detector(SSD)回归边界框,预测检测到的物体类别。原创 2022-09-29 19:28:43 · 737 阅读 · 0 评论 -
V2VNet: Vehicle-to-Vehicle Communication for Joint Perception and Prediction
V2VNet是一个联合架构以执行感知和预测任务,主要协助SDV完成以下工作:(1)处理原始传感器数据;(2)发送处理后的数据;(3)聚合从附近其他SDV收到的信息;(4)生成所有交通参与者在3D空间中的最终估计值和预测他们的未来轨迹。提出了一个V2V仿真数据集V2V-Sim以评估所提出的V2VNet。原创 2022-09-29 14:14:33 · 2240 阅读 · 0 评论 -
F-Cooper: 基于 3D 点云特征的自动驾驶车辆边缘计算系统的协作感知
提出了一种基于点云特征的协同感知框架(F-Cooper):1)利用特征级融合实现端到端的 3D 目标检测,特征级数据传输不会有网络拥塞的风险,可实现实时边缘计算和低通信延迟;2)除了能够提高检测精度外,特征融合所需的数据量仅为原始数据量的百分之一,在数据量和传输时间上都很好地处于 On-Edge 计算和通信的可接受范围内;3)两种融合方案:体素特征融合和空间特征融合。原创 2022-09-27 22:56:01 · 832 阅读 · 0 评论