【论文阅读】【道路分割】Progressive LiDAR Adaptation for Road Detection

最新推荐文章于 2024-04-17 15:48:21 发布
最新推荐文章于 2024-04-17 15:48:21 发布
阅读量2k 收藏 19
点赞数 2
分类专栏： 论文阅读 文章标签： 道路检测 KITTI 自动驾驶
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/wqwqqwqw1231/article/details/105375889
版权
本文介绍的PLARD方法结合图像和点云数据进行道路检测，通过Altitude Difference-based Transformation（ADT）处理点云信息，并采用Feature Space Transformation（FST）融合图像与点云特征。使用PSPNet作为backbone，通过多尺度训练和数据增强提升模型性能，最终在KITTI排行榜上取得第一。尽管创新性有限，但开源代码提供了实际应用价值。
摘要由CSDN通过智能技术生成

文章目录

目前KITTI榜单第一，发表于自动化学报英文版。

好久没读Road Detection方面的论文的，该论文的结果虽然是KITTI榜单第一名，但我个人认为创新性和行文确实与发表在CV领域的顶会文章的有挺大差距。但也有个好的地方是该方法开源了。

PLARD

该方法使用了图像与点云两种数据，是将点云投影到图像上的方法。
在这里插入图片描述

ADT

Altitude Difference-based Transformation是制作点云那一支的输入的一个过程。其实就是将点云的高度信息投影到图像中，然后求取每个像素在其邻域内的高度差的平均值。
在这里插入图片描述

FST

Feature Space Transformation是转换lidar分支feature的一个步骤。首先用对应的lidar和image的feature学两个参数：
在这里插入图片描述
这就是总图中的“TN”（Transformation Network）。然后根据这两个参数，得到转换后的lidar

最低0.47元/天 解锁文章
麒麒哈尔
关注
  • 2
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
Progressive LiDAR Adaptation for Road Detection学习笔记
One Way的博客
09-04 1280
道路检测 目的 为了更好的分割路面,使用雷达信息进行辅助,从而希望提高准确率. 但是因为使用雷达信息时会有很多问题. 困难一. 雷达数据和图片的空间信息不一致 困难二. 雷达数据与图片提取特征后得到的特征空间不一致 结构 大体结构如下:是一个双输入结构,上面的branch输入图片,下面的输入lidar信息,但是因为雷达存在数据空间和特征与图像不匹配的问题,于是在下层branch中,先用做对于数...
PLARD:用于道路检测的渐进式LiDAR自适应
04-16
平板 在PyTorch中实施的渐进式LiDAR自适应道路检测 该存储库再现了PyTorch中PLARD 的结果。 该代码主要基于 。 抽象的 尽管基于视觉图像的道路检测技术发展Swift，但由于光照变化和图像模糊等问题，如何在视觉图像中可靠地识别道路区域仍然具有挑战性。 为此，可以将LiDAR传感器数据并入以改进基于视觉图像的道路检测，因为LiDAR数据不易受到视觉噪声的影响。 但是，将LiDAR信息引入基于视觉图像的道路检测中的主要困难是LiDAR数据及其提取的特征与视觉数据和视觉特征不会共享相同的空间。 这样的空间间隙可能会限制LiDAR信息在道路检测中的优势。 为了克服这个问题，我们引入了一种新颖的渐进式LiDAR自适应道路检测（PLARD）方法，以将LiDAR信息适应基于可视图像的道路检测并提高检测性能。 在PLARD中，渐进式LiDAR适应包括两个后续模块：1）数据空间适应，通过
KITTI结果领先地位！Progressive LiDAR Adaptation for Road Detection——PLARD算法
最新发布
古月居
04-17 661
在此，我们研究了利用激光雷达数据进行道路检测时遇到的困难，并提出了一种新的更有效的方法，将激光雷达信息纳入基于视觉图像的道路检测系统。使用著名的KITTI道路检测基准[16]，我们对提出的PLARD系统进行了全面的实验，以评估提出技术不同部分的有效性，以及相对于基于视觉图像的道路检测系统的整体性能增益。多年来，分割技术已用于识别单目图像中的道路区域，最近，基于深度卷积神经网络（DCNN）的图像分割方法（如FCN[1]和DeepLab[2]）的引入显著提高了基于视觉图像的道路检测的性能。
道路分割论文研读之D-LinkNet ：LinkNet with Pretrained Encoder and Dilated Convolution for High Resolution Sate
Rain
04-28 2605
本人最近在研究路网生成算法，遇到瓶颈，借鉴卫星图识别的经典算法。 1.Introduction: 道路提取可视为二值语义分割任务，像素级二分类。 卫星图路网分割的挑战： 1. 输入的图像是高分辨率的，因此网络应该有大的接收范围，可以覆盖整个图像。2. 卫星图像中的道路往往细长复杂，覆盖了整个图像的一小部分。在这种情况下，保存详细的空间信息非常重要。3. 道路具有天然的连通性和较大的跨度...
Hybrid Conditional Random Field based Camera-LIDAR Fusion for Road Detection
01-06 1022
摘要 道路检测是自动驾驶汽车的主要挑战之一。道路检测通常使用两种传感器：摄像头和激光雷达。但是，它们每个人都有一些固有的缺点。因此，传感器融合通常用于结合这两种传感器的优点。尽管如此，当前的传感器融合方法还是由摄像机或激光雷达主导，而不是同时兼顾两者。在本文中，我们扩展了条件随机场（CRF）模型，并提出了一种新颖的混合CRF模型，以融合来自摄像机和LIDAR的信息。对齐LIDAR点和像素后，我们...
RoadDetection：POC实时道路检测应用程序
02-10
RoadDetection：POC实时道路检测应用程序
road detect matlab,detect.m · Song_Yuqi/yolov3-yolov4-matlab - Gitee.com
weixin_32272937的博客
03-22 157
%% custom inputaddpath('./CustomLayers/','./utils/')% clear all % 如果更换模型，需重置静态函数(影响性能)，否则可以不用清理cfg_file = 'cfg/yolov3.cfg';weight_file = 'weights/yolov3.weights';throushold = 0.5;NMS = 0.4;%% import a...
论文阅读笔记《Segmentation-based deep-learning approach for surface-defect detection》
深视
10-17 1360
核心思想   本文提出一种基于分割的表面缺陷检测算法，作者通过对网络结构的精心设计，能够仅利用30张带有标签的缺陷样本实现对网络的有效训练，实现了超过商业软件的检测效果。整个网络分成分割网络（Segmentation network）和判断网络（Decision network）两个部分，分割网络就是输出一个二元的分割图，将缺陷区域标记出来；判断网络就是根据分割网络的结果对该区域是否存在缺陷进行判断。网络结构如下图所示   如图所示，在分割网络中，输入图像经过多组卷积进行特征提取，并且每两个卷积组之间都有
论文笔记：Progressive Attention Guided Recurrent Network for Salient Object Detection-附件资源
03-02
论文笔记：Progressive Attention Guided Recurrent Network for Salient Object Detection-附件资源
道路障碍物分割和检测
04-25
使用matlab对道路障碍物提取，定位，分割
体素科技肺叶分割Progressive Dense V-Network论文
01-14
体素科技肺叶分割Automatic Segmentation of Pulmonary Lobes Using a Progressive Dense V-Network
Compressed dynamic mesh sequence for progressive streaming
02-07
### 压缩动态网格序列在渐进式流媒体中的应用 #### 摘要与背景 本文介绍了一种用于3D动画序列精确记录的新方法——压缩动态网格序列(Compressed Dynamic Mesh Sequence,简称CDMS)。作为一种简单而准确的表现形式,...
Binned Progressive Quantization for Compressive Sensing
02-21
Compressive sensing (CS) has been recently and enthusiastically promoted as a joint sampling and compression approach. The advantages of CS over conventional signal compression techniques are ...
【自动驾驶】KITTI Road Detection Benchmark Devkit_road使用
麒麒哈尔的博客
12-03 1220
文章目录 本文介绍一下KITTI中Road Detection 的Devkit的使用，主要是将输出格式变为KITTI上传格式的部分。 KITTI上传评测的格式要道路区域的俯视图，需要由前视图投影。使用官方给出的工具包。 该工具包是使用Python2运行的，因为其中print的格式是python2的。但我的环境是python3的，所以需要修改一些地方： 所有print的函数 其中assert x ...
road
learning notes
12-26 417
paper: Building and road detection from large aerial imagery homepage, slides,
Domain adaptation for object detection
wuguangbin1230的博客
11-30 1422
1. Cross-Domain Weakly-Supervised Object Detection through Progressive Domain Adaptation 出自：CVPR 2018,源代码中深度学习框架用的Chainer （1）数据集： 用PASCAL VOC 做 source domain 用他们自己建的：Clipark1k，Watercolor2k和Comic2k...
【显著性物体检测】【CVPR2018】Progressive Attention Guided Recurrent Network for Salient Object Detection【论文笔记】
weixin_38682454的博客
03-21 1179
论文连接 这篇cvpr感觉比起同年的其他几篇显著性物体检测的，各有各的不同，使用的方法，看问题的角度也不一样，但都实现了比较不错的检测效果。给我的启示就是：目前的方法虽然效果很强，但一定有很多更强的方法等待去发现，希望自己不断积累，早点做出点东西。虽然也有人做了这篇文章的论文笔记，但是还是自己做一份，说说我的看法与感受。 摘要 显著性物体检测现在主流都是在backbone的基础上，充分利用...
行为识别论文阅读（1）——Deep Progressive Reinforcement Learning for Skeleton-based Action Recognition
heruili的博客
03-03 4135
Deep Progressive Reinforcement Learning for Skeleton-based Action Recognition Yansong Tang1,2,3,∗ Yi Tian1,∗ Jiwen Lu1,2,3 Peiyang Li1 Jie Zhou1,2,3 CVPR2018
progressive growing of gans for improved quality, stability, and variation
03-16
渐进式增长 GAN（Progressive Growing of GANs）是一种用于提高生成对抗网络（GAN）质量、稳定性和变化性的方法。它通过逐步增加生成器和判别器的分辨率来实现这一目标，从而使生成的图像更加逼真、细节更加丰富。此...
评论 3
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