- 博客(112)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 【协同感知】Collaborative Perception in Autonomous Driving数据集与论文整理
https://github.com/Little-Podi/Collaborative_Perception
2024-06-06 14:25:30
498
原创 恶劣天候激光雷达点云模拟方法论文整理
Sunshine to Rainstorm: Cross-Weather Knowledge Distillation for Robust 3D Object DetectionLiDAR Snowfall Simulation for Robust 3D Object DetectionFog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse WeatherLidar Light Scattering A
2024-05-25 02:31:08
452
原创 恶劣天候鲁棒三维目标检测论文整理
恶劣天候鲁棒三维目标检测论文整理Sunshine to Rainstorm: Cross-Weather Knowledge Distillation for Robust 3D Object DetectionRobo3D: Towards Robust and Reliable 3D Perception against CorruptionsLossDistillNet: 3D Object Detection in Point Cloud Under Harsh Weather Conditions
2024-05-25 01:53:24
620
原创 CVPR2022：Toward a Unified Model论文阅读
在know ledgedistillation基础上设计了Two-stage Knowledge Learning (Collation-Examination)并引入contrastive learning的方法。
2024-05-23 14:06:11
716
原创 AAAI2024-Sunshine to Rainstorm第一作者深度解读
写在前面：这篇paper是本人的第一篇一作文章，本文主要通过将分享的ppt改写为文档形式，并没有严格按照论文的顺序进行解读，希望能更清晰的表达出文章的内容，但是想表达的动机、核心方法、实验均与论文一致。Thanks~本文提出了一种结合雨水动力学和降雨环境理论的降雨数据模拟方法DRET，可高效低成本生成模拟的雨天激光雷达点云数据用于训练.本文还提出了跨晴雨知识蒸馏（SRKD）增强三维目标检测器在雨天的鲁棒性。
2024-05-23 14:01:15
1422
原创 【CVPR2022】ST-MVDNet:Modality-Agnostic Learning for Radar-Lidar Fusion in Vehicle Detection论文阅读分析与总结
而直接屏蔽一个输入流的强数据增强，将使模型依赖于一个清晰的蒸汽而忽略缺失的流，直接随机缺失传感器训练的模型不能有效地融合两个传感器的两个特征。学生模型接受激光雷达数据雾化增强、强缺失雷达增强和强缺失激光雷达增强，使用Mean teachers，定义一致性损失与强增强损失知识蒸馏学习，使一个缺失传感器的学生模型获得与清晰传感器教师模型一致的输出。通过强制学生单一清晰模态的预测结果靠近两种清晰模态教师的预测结果，训练模型从缺失的模态中恢复特征以生成更好的检测，而不是学习模态之间独立预测。
2023-09-14 01:29:44
249
原创 【CVPR2021】MVDNet论文阅读分析与总结
再用RoI在2*H个特征图中进行RoI Pooling得到2*H*C*W*L RoI特征图，两个传感器的特征图进行Self Attention和Cross Attention后按时间维度concat起来进行refinement。利用最先进的成像雷达，其分辨率比RadarNet和LiRaNet中使用的分辨率要细得多，提出了一种有效的深度后期融合方法来结合雷达和激光雷达信号。（同步ORR数据集中雷达和激光雷达，扫描频率不同）对于一个radar，收集连续N=5帧的lidar，从这5帧lidar中，选择属于。
2023-09-14 01:27:35
537
原创 【CVPR2020】DEF：Seeing Through Fog Without Seeing Fog论文阅读分析与总结
偏离了最近的BEV投影方案或原始点云输入，因为BeV投影或点云输入不允许深度早期融合，因为他们在早期层中的特征表示本质上与相机特征不同。使用修改后的VGG网络，conv4-10作为RPN网络输入为每个特征交换块提供传感器熵，根据可用信息单独缩放每个传感器的连接特征。熵低的区域可以衰减，而熵丰富的区域可以在特征提取中被放大。这样做可以自适应地融合特征提取堆栈本身中的特征。
2023-09-14 01:25:09
500
原创 CSDN竞赛53期题解
贝博士最近收到了一些来自外星的信号，它们看起来是一些字符。经过贝博士的转码，把这些字符用26个小写拉丁字母表示。贝博士叫来了助手艾小姐，请她把这些字母中出现次数最多者挑出来，并按字母表顺序排列出来（忽略空格）
2023-05-18 16:17:21
110
原创 论文阅读：Boosting Single-Frame 3D Object Detection by Simulating Multi-Frame Point Clouds
Teacher使用多帧，studen使用单帧蒸馏
2023-01-28 19:19:54
286
原创 论文阅读：Boosting 3D Object Detection by Simulating Multimodality on Point Clouds
稠密（多模态、多帧）信息->稀疏（单模态点云，单帧）信息的知识蒸馏：模型在稠密信息中的精度高作teacher提升稀疏信息下的精度，具体包括4重蒸馏
2023-01-20 17:15:13
590
1
原创 ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection
ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection
2022-10-06 12:42:05
1009
原创 CVPR2021:ST3D——Self-training for Unsupervised Domain Adaptation on 3D Object Detection详解
CVPR2021:ST3D——Self-training for Unsupervised Domain Adaptation on 3D Object Detection详解
2022-10-04 02:51:33
1494
原创 Improved 3D Object Detector Under Snowfall Weather Condition Based on LiDAR Point Cloud
Improved 3D Object Detector Under Snowfall Weather Condition Based on LiDAR Point Cloud
2022-09-21 00:55:11
215
原创 CVPR2020：Seeing Through Fog Without Seeing Fog
CVPR2020：Seeing Through Fog Without Seeing Fog
2022-08-01 19:00:30
415
原创 Rethinking LiDAR Object Detection in adverse weather conditions
在DENSE数据集上进行了充分对比实验，通过实验结果推测出改进网络在恶劣天气条件下检测性能的决定性因素（存疑）
2022-07-29 23:51:27
354
原创 LAGRANGIAN FLUID SIMULATION WITH CONTINUOUS CONVOLUTIONS
通过网络实现预测粒子在受环境影响情况下的偏移量，实现更真实的模拟。
2022-07-26 18:31:45
289
原创 Reconstruction and Synthesis of Lidar Point Clouds of Spray
Reconstruction and Synthesis of Lidar Point Clouds of Spray
2022-07-06 13:41:57
572
原创 LiDAR Snowfall Simulation for Robust 3D Object Detection
（与Fog Simulation on Real LiDAR Point Clouds同一作者流程：1.逐扫描层恢复被校准的激光雷达参数2.根据天气参数采样雪花3.根据雪花、及原目标的距离、反射角度计算每次的反射强度4.对每个反射的强度进行对应相关参数的计算最后得到每个反射的功率5.取最大的功率作为该次反射的最终结果（最强回波）...
2022-06-22 00:38:59
360
原创 Pay “Attention” to Adverse Weather
通过局部-全局注意力模块融合相机、门控、激光雷达三个模态的特征，完成“基于天气感知和注意力的三维目标检测”
2022-06-22 00:37:37
682
原创 Robust 3D Object Detection in Cold Weather Conditions
Robust 3D Object Detection in Cold Weather Conditions
2022-06-16 17:51:59
174
原创 Joint 3D Instance Segmentation and Object Detection for Autonomous Driving
Joint 3D Instance Segmentation and Object Detection for Autonomous Driving简单介绍~~框架PointNet++作为backbone.Backbone提取特征之后为每个点分割语义（FG/BG）信息并预测BBox(offset,dim,θ)的信息。对前景点进行偏移、聚类，将每一类的点分配ID作为一个实例并对每个实例用前5个预测的信息平均得到BBox。实例感知的RoI轮询：将不在BBox内的但是拥有对应ID的前景点也用于Ref
2022-04-29 01:18:06
358
原创 SCNet：Semantic Consistency Networks for 3D Object Detection
框架采用VoteNet和PointNet++作为pipeline.Semantic Voting：将语义信息也作为每个点投票（预测）的信息两个MLP分支分别完成正常VoteNet的投票（xyz坐标与feature特征）和Semantic Vote将每个点的两个分支预测结果相结合Loss Function设置超参数权重对各个任务loss进行加权Semantic Consistency Mechanism and Loss如上图所示，以每个BBox的中心为球心，设置半径为0.2m
2022-04-28 17:46:53
475
原创 TAMNet：A loss-balanced multi-task model for simultaneous detection and segmentation
框架采用SSD和FCN作为pipeline.Task-related Attention Module（TAM）：同时考虑两个任务的特征利用注意力机制加权1.将两个分支的特征相加之后通过注意力模块（CNN）得到加权图2.用加权图对两个特征进行加权再与各自原特征相加得到最终特征公示表达：F表示之前的特征，M表示加权图，i、c分别表示空间下标和通道下标Optimization method大部分做法是手动设置权重W：本文提出了任务t在第i+1步的难度为：根据每个任务的难度定义奖励（权.
2022-04-28 17:45:08
301
原创 mAPH——Waymo数据集
mAPH相信阅读过在Waymo数据集上测试论文的同学都会发现mAPH这个指标，但是我在查阅了全网的资料居然都没相关的解释（除了需要翻墙才能进的Waymo官网下的What’s Next）。所以为了帮助下一个想了解却苦苦无法找到相关解释的人，这里给出官方的介绍截图和我的理解（其实不难）首先给出官网截图，如果基础较好的同学自行阅读就好：首先我们回顾一下mAPmAPmAP：计算出PrecisionPrecisionPrecision与RecallRecallRecall两个参数之后，以PrecisionP
2022-04-12 02:20:52
2622
4
原创 CVPR2022——A VERSATILE MULTI-VIEW FRAMEWORK
A VERSATILE MULTI-VIEW FRAMEWORK FOR LIDAR-BASED3D OBJECT DETECTION WITH GUIDANCE FROM PANOPTICSEGMENTATIONContribution：Keyknowledge：Cascade RV Feature Fusion Module：融合多级Range View特征Attention-based RV-BEV Feature Weighting Module：对RV-BEV两个特征图加权突出重要的特征值。C
2022-04-07 20:04:13
724
原创 CVPR2022——Not All Points Are Equal : IA-SSD
IA-SSDNot All Points Are Equal:IA-SSDMotivationContributionKeyknowledgeInstance-aware Downsampling StrategyContextual Instance Centroid PerceptionLossExperiment采样方法在KITII验证集上的对比不同的方法在KITTI测试集上的检测性能定量对比Not All Points Are Equal:IA-SSD写在前面：与最近读的RandLa-Net的
2022-03-31 02:38:13
5357
2
原创 CNN-based Point Cloud De-Noising
CNN-based Lidar Point Cloud De-Noising in Adverse WeatherKey Knowledgeable：Autolabeling for Noise Caused by Rain or Fog根据range image判断各个像素点的distance变化决定像素点是否是雨雾水珠产生的噪声进行数据的标注：为什么可以这样标记噪声：笔者的理解是雨雾噪声往往是空气中弥补的水珠产生的反射，在“Fog Simulation on Real LiDAR .
2022-01-24 03:27:18
2314
原创 第七届集美大学程序设计竞赛（个人赛）题解
第七届集美大学程序设计竞赛（个人赛）题解签到题签到题题意输出一个小写字母满足：这个字母是陕西省英文的第四个字母这个字母的美国信息交换标准代码是97这个字母是字符串"ax"和"xa"的LCS（最长公共子序列）解题思路陕西省英文：Shaanxi Province'a’的美国信息交换标准代码（ASCII码）是97字符串"ax"和"xa"的LCS是’a’或者’x’代码#include<stdio.h>int main(){ printf("a");}
2022-01-03 15:56:46
1065
原创 Waymo数据集使用介绍（waymo-open-dataset）
关于waymo数据集的介绍很多博客都有详细说明了，但是具体有哪些数据？waymo可视化工具如何使用？这些信息又如何读取？浏览了一圈发现寥寥无几，这里简单做个整理，方便读者理解也方便自己以后所需。1. Waymo数据集下载https://waymo.com/open2. Waymo Open Dataset Tutorial去waymo可视化官网进行相关工具的安装与环境配置，这个不多赘述:https://github.com/waymo-research/waymo-open-dataset.git
2021-12-29 19:16:33
15923
5
原创 OpenPCDet安装最新版：spconv一步到位
OpenPCDet安装OpenPCDet github官网：https://github.com/open-mmlab/OpenPCDet哇。。。真的是安了好久。先晒个成功的图片：其实学校实验室那边服务器有安装好的环境，但是由于我还没入学无法使用校园网，近期要处理数据集，所以还是需要自己先在本科这边的服务器上安装一下。早在一个多月前我就尝试安装了，一直卡在Spconv奇奇怪怪的报错，弄了好久没弄好，只能是觉得CentOS（服务器Linux环境）的问题。后来发现spconv出了版本2.x，可以直接
2021-12-15 17:35:09
8422
17
原创 A feature-supervised generative adversarial network for environmental monitoring during hazy days
A feature-supervised generative adversarial network for environmentalKey Knowledgeable：pair of hazy and clean images使用一对晴雾天气的数据作为输入（用晴朗天气模拟雾天气or用雾天气模拟晴朗天气获得成对数据：本身二者就与真实的有差距，很大程度上取决于模拟的好坏），二者在generator的encoder部分各自编码获得特征后根据feature regularization loss进.
2021-12-15 03:06:09
2498
原创 PF-Net&Efficient Deep Learning Approach
Point Cloud GANKey Knowledgeable：Improved GAN-based Point Cloud CompletionCMLP相较于PointNet的MLP，使用如下结构的CMLP成为单个点云的特征提取器，从而最大程度保留原始点云的局部特征.Multi-Resolution Encoder(MRE)下采样获得不同尺度的点云，提升高低层次点云语义信息提取，再通过MLP获得最终特征向量： Point Pyramid Decoder(PPD)采取“.
2021-12-15 03:02:29
2751
3
原创 Point Cloud GAN
Point Cloud GANKey Knowledgeable：Difficulty使用GAN生成点云和生成图像不同的是，常规的边缘分布是没有用的，参考下面的例图，在边缘化（不考虑对象条件θ）的时候信息不足。Counter Example对常规使用GAN建模方法文中举出了反例：u为对象噪声，zi为点集噪声。存在一种情况使得GAN只需要学习对象噪声u与对象θ之间的匹配即可达到纳什均衡，而点集的学习被忽略，使得收敛之后的模型时好时坏。Proposed Method训练一个.
2021-12-15 02:55:35
1104
shap分析mnist实验复现结果图片
2020-12-09
shap分析mnist实验复现code
2020-12-09
shap分析mnist实验复现1.rar
2020-11-30
SHAP分析Mnist数据集遮掩实验复现代码
2020-11-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人