第二十五章 BEV感知系列二(车道线感知)

已于 2025-05-22 12:33:56 修改
阅读量636 收藏 2
点赞数 1
分类专栏： 车道线检测 文章标签： 人工智能 视觉检测 目标检测 机器学习 深度学习
于 2023-11-04 14:15:44 首次发布
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_44302770/article/details/134217761
版权
本文围绕BEV感知展开，总结了在各种基准点上取得最佳成绩的技巧和做法。介绍了数据增强、BEV编码、损失选择等方面的实践经验，如BEVFormer++的多摄像机3D对象检测和地图分割系统，以及Voxel SPVCNN对原始SPVCNN的改进。最后指出未来研究方向，包括设计深度估计器、对齐多传感器特征等。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前言

以此系列笔记记录学习与思考的全过程。车道线检测系列会持续更新，力求完整精炼，引人启示。

BEV感知系列是对论文Delving into the Devils of Bird’s-eye-viewPerception: A Review, Evaluation and Recipe的翻译整理，有多处瑕疵，敬请谅解。

经验评估与策略

​ 在本节中，我们总结了在各种基准点上取得最佳成绩的技巧和最有用的做法。这是基于我们2022 Waymo Open Challenge的参赛作品，即建立在BEV Former[4]之上的BEVFormer++，用于仅相机检测，以及源自SPVCNN[83]的Voxel SPVCNN，用于激光雷达分割。这些实践经验可以作为无缝集成到其他纯电动汽车感知模型中并评估疗效的参考。我们在以下内容中介绍了与数据扩充、BEV编码器、损耗选择相关的实践经验，并在附录的第E节中介绍了检测头设计、模型集成和后处理方面的额外实践经验。

数据增强

​ 数据增强在增强感知模型的鲁棒性和泛化能力方面发挥着至关重要的作用。通过综合

了解本专栏 订阅专栏 解锁全文 超级会员免费看
第二十四章 BEV感知系列一(车道线感知)
专注于人工智能学习，总结
11-04 890
近期参与到了手写AI的车道线检测的学习中去，以此系列笔记记录学习与思考的全过程。车道线检测系列会持续更新，力求完整精炼，引人启示。所需前期知识，可以结合手写AI进行系统的学习。BEV感知系列是对论文的翻译整理，有多处瑕疵，敬请谅解。​ 自动驾驶中的感知识别任务是本质上是对物理的三维几何重建世界。随着传感器的多样性和数量变得自动驾驶的装备越来越复杂车辆(SDV)，表示从不同角度的特征统一的观点至关重要。众所周知的鸟瞰图(BEV)是一种自然而直接的候选视图，可以作为统一的表示。
自动驾驶感知-车道线系列（一）——车道线基础流程实现
weixin_41480034的博客
11-30 1807
车道线入门 最近开始接触车道线相关的工作，由于本人之前在这一块没有什么经验，所以找了一个基础版本用python做了一下实现，现在把简单的流程进行一下梳理，分享给大家！ OpenCV的安装 笔者是开始做车道线之后才真正把OpenCV用起来，这里从OpenCV的安装开始讲起： pip install opencv-python 图片的读取，展示和保存 对于图片的操作，OpenCV有很多现成的函数可以用，非常方便，这也为我们的快速实现提供了条件。 这里把图片的读取，展示和保存的代码列在这里： 导入OpenCV
BEVFormer模型解读（附源码+论文）
最新发布
小西几的博客
03-28 685
（有中文版大家就不要吃那个苦啦）老规矩，看一下效果。
自动驾驶~BEV感知
whaosoft143ai的博客
12-29 681
写到这里了就再分享个自己觉得有趣的事情，那就是有一件看似很反直觉的事情，单从fusion bev的三个算法来看cmt明显性能不错，速度也可以，其次是bevfusion，最后是transfusion。点评：这是一篇没有开源的文章，和lss一样也是nvidia的工作，也是从2d到3d再投影到bev空间但由于假设沿射线的深度分布是均匀的，这意味着沿相机射线的所有体素都填充与2D空间中单个像素对应的相同特征，所以内存高效速度更快，单从文章看效果比lss要好，号称是第一个用统一框架同时做检测和分割任务的，但没开源。
BEV感知介绍
weixin_41150257的博客
11-17 871
BEV感知是一种将来自多个传感器的数据（如摄像头、激光雷达等）转换为统一的鸟瞰视图表示，并在该视图下进行目标检测、分割、跟踪等任务的技术。这种技术为自动驾驶车辆提供了一个更贴近实际物理世界的统一空间，有助于后续的多传感器融合以及规划控制模块的开发。
BEV-感知-概念
qq_41580075的博客
12-12 427
第一个是标签 第二个是截断程度 1 0 第三个是截断的情况 接着是物理里拍摄的角度 接着 2d 检测框的值 左上角 和右下角坐标，，然后是3d的数据 h w l；最后是这个物体的预测概率置信度。
BEV感知（1）--BEV感知算法
NPU 研0
01-31 8083
BEV感知算法、BEV开源数据集、BEV感知方法，算法优缺点
CVPR2022 |BEV感知(自动驾驶感知新范式)| Cross-view Transformers for real-time Map-view Semantic Segmentation
AI-cv-sharer
05-18 2167
Cross-view transformer BEV 内容导航文章信息内容摘要论文方法简介实验数据论文总结和展望 文章信息 文章链接: https://arxiv.org/abs/2205.02833 代码：https://github.com/bradyz/cross_view_transformers 内容摘要 不同于之前的 RepVGG 和 DBB 训练多分枝和测试单分枝（重参数聚合多分枝 conv op 为单分支 conv，有效减少测试时间），文章提出来一种全新的在线重参数方法，在训练过程中也
最新综述！万字长文彻底搞懂单目3D车道线检测
leyang0910的博客
05-04 1644
3D车道检测在自动驾驶中起着至关重要的作用，通过从三维空间中提取道路的结构和交通信息，协助自动驾驶汽车进行合理、安全和舒适的路径规划和运动控制。考虑到传感器成本和视觉数据在颜色信息方面的优势，在实际应用中，基于单目视觉的3D车道检测是自动驾驶领域的重要研究方向之一，引起了工业界和学术界越来越多的关注。不幸的是，最近在视觉感知方面的进展似乎不足以开发出完全可靠的3D车道检测算法，这也妨碍了基于视觉传感器的完全自动驾驶汽车的发展，即实现L5级自动驾驶，像人类控制的汽车一样驾驶。
BEV视觉3D感知算法梳理
@bangbang的博客
01-03 5688
这部分的实现逻辑与传统的Transformer的Decoder的逻辑类似，利用Cross-Attention模块将生成的3D空间下的Object Query和具有3D空间位置的语义特征进行交互，得到Output Embedding，然后利用FFN网络充当3D检测头实现最终的3D检测结果。
快速入门：自动驾驶感知工程师的规划与决策核心技巧
2401_85233349的博客
07-10 3210
规划。
BEV感知---BevFusion详解
热门推荐
qq_44799766的博客
03-21 1万+
一种非常经典的多模态融合感知方案叫 BEVFusion。这是一种用于多任务多传感器 3D 感知的高效通用框架。BEVFusion 将相机和 LiDAR 功能统一在共享 BEV 空间中，完全保留几何和语义信息。相机和点云分支没有明显的主次关系，相互独立，结果上又相辅相成。高效、准确的多传感器感知对于自动驾驶汽车的安全至关重要。BEVFusion 将最先进的多传感器融合模型的计算成本降低了一半，并在小而远的物体以及雨天和夜间条件下实现了大幅精度提高。它为安全、稳健的自动驾驶铺平了道路。
【BEV感知算法概述——下一代自动驾驶感知算法】
weixin_47869094的博客
12-24 3132
2.1 kitti-360数据集kitti-360是一个包含丰富感官信息和完整注释的大规模数据集。我们记录了德国卡尔斯鲁厄的几个郊区，在73.7公里的驾驶距离内，对应超过32万张图像和10万个激光扫描。我们用粗糙的边界基元对静态和动态的三维场景元素进行注释，并将这些信息转移到图像领域，从而为三维点云和二维图像提供了密集的语义和实例注释。为了收集数据，旅行车两边各配备了一个180°的鱼眼相机，前面一个90°的透视立体相机（基线60厘米）。
自动驾驶-BEV感知综述
qq_40230900的博客
11-17 1950
自动驾驶 环境感知 综述
【BEV感知】1-BEV感知算法介绍
星辰不问
08-03 841
1-BEV感知算法介绍
万字长文谈自动驾驶BEV感知
CV_Autobot的博客
01-05 482
作者|其道大光 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/674854831点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【BEV感知】技术交流群本文只做学术分享，如有侵权，联系删文prologue这有可能是更的最长的文章系列了，先说为什么，一方面是看到分割大模型对小模型的提升效果需要时间，另一方面是之前对自...
自动驾驶：BEV感知框架
m0_72410588的博客
07-09 1449
BEV感知框架是一种基于鸟瞰图的感知方法。它将车辆周围的环境建模为一个二维平面，从而简化了感知任务。BEV感知框架通过将车辆周围的点云数据映射到一个鸟瞰图上，实现对车辆周围环境的理解和识别。
小白也能看懂的BEV感知（一）
sgzqc的专栏
04-15 2181
讲解BEV感知技术
迈向BEV的大一统 | 基于纯视觉策略的BEV感知
CV_Autobot的博客
08-25 3722
量产级自动驾驶需要对世界进行可扩展的三维推理。随着自动驾驶汽车和其他交通代理在道路上移动，大多数时候推理不需要考虑高度，这使得鸟瞰图 (BEV) 成为一种充分的表示。
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

小酒馆燃着灯

你的鼓励将是我创作的最大动力

¥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