不积跬步，无以至千里！

本文提出了一种新的立体图像三维目标检测系统 Disp R-CNN。

三维目标检测是自动驾驶和机器人技术中的一项重要任务。虽然已经取得了很大的进展，但在估算遥远和闭塞物体的三维姿态方面仍然存在挑战。

本文提供了一种简单有效的基于立体的单级三维检测管道，以端到端学习的方式联合估计深度和检测三维物体。

本文充分利用立体图像中的稀疏、密集、语义和几何信息，提出了一种用于自动驾驶的三维目标检测方法。我们的方法，称为 Stereo R-CNN，扩展了 Faster R-CNN 用于立体输入，以同时检测和关联左右图像中的目标。我们在立体区域建议网络(RPN)之后增加额外的分支来预测稀疏的关键点、视点和对象尺寸，并结合左右图像中的2D边界框来计算粗略的3D目标边界框。然后，我们通过使用左右感兴趣区域的基于区域的光度对齐来恢复准确的3D边界框。我们的方法不需要深度depth输入和3D位置监督，但是，它的性能优.

本文提出了一种统一的神经网络DLT-Net来同时检测可行驶区域、车道线和交通对象。除此之外，还提出了一个上下文张量来嵌入和共享子网之间的互信息，在不增加大量开销的情况下显著提高了整体性能。

本文发表于2018年 IEEE IV上，提出了一种联合分类、检测和语义分割的方法 MultiNet，该方法使用一个统一的架构，其中编码器在三个任务之间共享。该方法结构简单，可以进行端到端的训练，并且在具有挑战性的KITTI数据集中表现得非常好。

自动驾驶全景视觉感知

本文提出了一种新的用于 3D 目标检测的方法 PointPillars，它利用 PointNets 来学习组织在垂直列中的点云表示。

RangeNet++ 发表于2019年，是基于激光点云的语义分割网络，可实时地应用在自动驾驶领域。

本文由加州大学圣地亚哥分校与港科大机器人实验室共同发表，收录于ECCV2020。本文创新型地提出了表面法向估计器(SNE)，并将其用于路面分割网络中，使得 SNE-RoadSeg 在不同的数据集中获得了很好的检测性能。

单一的传感器是不能够解决所有问题的，毫米波雷达与相机的融合也必然是一种趋势！

本文发布于BMVC2019，是由英国东芝研究院Rudra、Stephan和剑桥大学Roberto共同完成的。本文的亮点是提出了一种快速的语义分割网络 Fast-SCNN，在 NVIDIA Titan XP GPU 上测试表明，在Cityscapes数据集上的mIOU达到68.0%，速度达到123.5帧/秒。

本文提出了一种针对低功耗车用SoC优化的多任务卷积神经网络(CNN)结构。

本文发表于2019年的IEEE计算机视觉应用冬季会议上，是一篇有关自动驾驶领域多模态多任务网络应用的文章。

从入门到入坑，再到入神；从开车到下车，再到无人车！

无人驾驶技术环境感知篇——车道线检测网络LaneNet

万能格式转换工具，连续图片快速转视频！

一、环境介绍系统：windows10开发环境：VS2015+OpenCV3.1其它库：pylon（安装basler官方SDK自带的库）开发环境配置，可参考这里：VS2015 + OpenCV3.1 环境配置与项目搭建（C++版）二、环境配置1.首先根据自己的VS选择对应的版本2.配置包含目录3.配置库目录4.配置附加包含目录5.配置附加库目录6.配置附加依赖项三、完整代码//定义是否保存图片#define saveImages 0//定义是否记录视频#defi

一、下载与安装在使用之前，首先去官网下载对应版本的pylon安装包。这里我下载的是windows版本的。安装过程比较简单，跟着安装向导即可。二、打开basler相机1.打开pylon Viewer，进入软件界面...