恶劣天候鲁棒三维目标检测论文整理

已于 2024-05-26 12:51:09 修改
阅读量595 收藏 13
点赞数 9
文章标签： 目标检测 人工智能 计算机视觉
于 2024-05-25 01:53:24 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/ylwhxht/article/details/139187152
版权

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 Detection

在这里插入图片描述

Robo3D: Towards Robust and Reliable 3D Perception against Corruptions

在这里插入图片描述

LossDistillNet: 3D Object Detection in Point Cloud Under Harsh Weather Conditions

在这里插入图片描述

Autonomous Driving in Adverse Weather Conditions: A Survey

在这里插入图片描述

Analysis of Automotive Lidar Sensor Model Considering Scattering Effects in Regional Rain Environments

在这里插入图片描述

Robust 3D Object Detection in Cold Weather Conditions

在这里插入图片描述

Pay “Attention” to Adverse Weather: Weather-aware Attention-based Object Detection

在这里插入图片描述

Bijelic_Seeing_Through_Fog_CVPR_2020_supplemental

在这里插入图片描述

CNN-based Lidar Point Cloud De-Noising in Adverse Weather

在这里插入图片描述

Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather

在这里插入图片描述

LiDAR Snowfall Simulation for Robust 3D Object Detection

# LiDAR Snowfall Simulation for Robust 3D Object Detection

De-noising of Lidar Point Clouds Corrupted by Snowfall

在这里插入图片描述

Robust Multimodal Vehicle Detection in Foggy Weather Using Complementary Lidar and Radar Signals

在这里插入图片描述

Modality-Agnostic Learning for Radar-Lidar Fusion in Vehicle Detection

在这里插入图片描述

ST-MVDNET++: IMPROVE VEHICLE DETECTION WITH LIDAR-RADAR GEOMETRICAL AUGMENTATION VIA SELF-TRAINING

在这里插入图片描述

RaLiBEV: Radar and LiDAR BEV Fusion Learning for Anchor Box Free Object Detection Systems

在这里插入图片描述

Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object Detection

在这里插入图片描述

zhSunw
关注
  • 9
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测YOLO实战应用案例100讲-基于YOLOv4的SAR目标检测方法应用(论文篇)
qq_36130719的博客
05-14 735
基于改进YOLOv4的SAR目标检测方法研究基于改进YOLOv4的SAR目标检测方法研究合成孔径雷达（Synthetic Aperture Radar，SAR）[1]是一种主动微波传感器，是海上目标探测的重要手段，使用脉冲压缩技术和孔径合成技术在距离向和方位向上获得高分辨率的雷达图像[2~3]。遥感技术的日益发展，作为空间遥感技术的前沿，SAR在海洋上的应用也越来越丰富，在资源勘探，海洋环境监测，水文地理学研究等领域均得到了一定的应用成果。
目标检测YOLO实战应用案例100讲-毫米波辐射图像去模糊重建与目标检测
qq_36130719的博客
09-11 539
最近数年，由于国内外频繁出现的恐怖袭击和暴力犯罪等社会问题，且恐怖作案手 法花样繁多，反恐战争正愈演愈烈。在重要交通站枢纽、繁华商务圈等公众集中地段设 置高精度的安全检查设施尤为重要。目前，我国所有的大型公共场所（如轨道交通、飞 机场、航运等等）的安防检查设备都能够检测乘客行李中携带的违禁物品，但是由于个 人隐私问题无法即时高效的检测出乘客贴身携带的危险物品。目前的安检设备，主要分为两种类型：即X射线安检仪和金属检测仪，分别针对物品和人体进行安全检查。
恶劣天气条件下目标检测的最优传感器数据融合架构
莫大逗比嘟嘟
04-17 1512
恶劣天气条件下目标检测的最优传感器数据融合架构 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas..
目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶目标检测算法研究
qq_36130719的博客
05-18 1090
近年来，随着人工智能技术以及车载感知器件的快速发展，国内外许多传统汽车企业与互联网巨头强强联手，开始在自动驾驶的战场上布局。如图1-1所示,百度、特斯拉、谷歌以及华为等科技公司已经在自动驾驶领域取得了阶段性的进展。谷歌公司早在2010年就开始了自动驾驶的研究工作，目前的自动驾驶安全行驶距离已经超过14万英里；特斯拉则在自动驾驶商业化方面取得成绩优异，2020年，配有“完全自动驾驶”的汽车年销量已经超过60万。国内自动驾驶技术。
目标检测YOLO实战应用案例100讲-基于激光雷达的智能汽车多目标检测与跟踪方法研究
qq_36130719的博客
07-17 812
随着智能驾驶技术的不断发展，传统的三维点云目标检测算法其精度已经无法满足智 能汽车对环境感知日益增长的需求。在这样的情况下AI潮流所引领的深度学习三维目标 检测算法成为了智能驾驶感知算法中必不可少的一环。此小节将会分析对比当今深度学习 三维点云检测算法的特点，来确定基线算法，并对其进行介绍。3.1.1 三维点云检测算法特点对比。
无人车业务中的视觉三维重建
3D视觉工坊
04-15 2443
来源丨汽车自动驾驶技术业务背景1.1 自动驾驶与高精度地图高精地图也称为高分辨率地图（High Definition Map, HDMap）或者高度自动驾驶地图（Highly Automated Driving Map, HAD Map）。近些年，随着自动驾驶技术以及业务的蓬勃发展，高精地图成为了实现高等级自动驾驶必不可少的数据。高精地图是一类拥有精确的地理位置信息和丰富...
目标检测YOLO实战应用案例100讲-自动驾驶场景下的三维目标检测技术研究（续）
qq_36130719的博客
04-17 299
KITTI[44, 45]数据集由德国卡尔斯鲁厄理工学院和芝加哥丰田技术研究所共 同发布，是当前自动驾驶领域中使用最广泛，具有权威性的数据集。该数据集包含市区、乡村和高速公路等场景采集的数据，可用于测评立体图像，视觉测距，光流，3D目标检测和3D目标跟踪等。在KITTI数据集的数据采集平台上，装配一个Velodyne 64线机械旋转式激光雷达，2个灰度摄像机，2个彩色摄像机，1个GPS导航系统和4个光学镜头。下图为传感器的配置平面图，为生成立体图像，相同类型的摄像头相距。
AAAI2024-Sunshine to Rainstorm第一作者深度解读
ylwhxht的博客
05-23 1334
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。
Object Detection in 20 Years: A Survey 20年间的目标检测：综述
学习日常分享
05-16 5785
摘要 物体检测作为计算机视觉中最基本和最具挑战性的问题之一，近年来受到了极大的关注。它在过去二十年中的发展可以看作是计算机视觉历史的缩影。如果我们把今天的物体探测看成是深度学习力量下的技术美学，那么把时钟拨回到20年前，我们就见证了冷武器时代的智慧。本文根据其技术演变（从1990年代到2019年）广泛回顾了400多篇关于物体检测的论文。本文涵盖了许多主题，包括历史上的里程碑探测器，检测数据集，指标，检测系统的基本构建块，加速技术以及最近的最先进的检测方法。本文还综述了行人检测、人脸检测、文本检测等一些重要的
智能车辆开发中的三维目标检测算法综述.pdf
11-23
"智能车辆开发中的三维目标检测算法综述" 本文综述智能车辆开发中三维目标检测算法的研究进展，讨论了...7. 未来三维目标检测算法的发展方向包括如何处理复杂场景中的目标检测、如何提高检测算法的实时性和鲁棒性等。
基于多区域融合的表情鲁棒三维人脸识别算法.pdf
05-11
本文介绍了一种针对表情变化具有鲁棒性的三维人脸识别算法，即“基于多区域融合的表情鲁棒三维人脸识别算法”。该算法旨在提高三维人脸识别技术在面对表情变化时的准确性和稳定性。 首先，算法的核心是实现三维人脸...
恶劣天气下的目标检测PPT
09-19
IA-YOLO框架的创新之处在于它以端到端的方式结合了图像增强和目标检测，通过CNN-PP模块的参数预测，实现了对不同恶劣天气条件的自适应响应，有效地提高了目标检测的准确性和鲁棒性。这样的方法在实际应用中有着广泛...
论文研究-基于DPM的高鲁棒性目标检测方法 .pdf
08-16
基于DPM的高鲁棒性目标检测方法，董彦汝，张雷，随着车联网时代的到来，基于视觉的辅助驾驶系统越来越受到人们的关注，但由于户外环境复杂，遮挡等问题，导致目标检测精度较低。
基于区域分割的表情鲁棒三维人脸识别方法
04-30
为了克服表情变化致使三维人脸识别性能不佳的问题，提出基于鼻尖点区域分割的表情鲁棒三维人脸识别方法。首先，根据表情对人脸影响具有区域性的特点，提出仅依赖鼻尖点的表情不变区域（刚性区域）和表情易变（非刚性...
随机数种子的作用
帆的博客
07-23 805
设置随机数种子（random seed）的目的是为了确保随机数生成器在每次运行时产生相同的随机数序列，从而保证实验结果的一致性。随机数种子通过初始化随机数生成器的内部状态，使得在相同的种子值下，随机数生成器每次调用时生成的序列是相同的。
GPU算力：驱动现代计算的引擎
UnityBoy的博客
07-22 600
在当今的计算密集型应用中，GPU（图形处理单元）算力已成为推动科学计算、人工智能、数据分析等领域发展的关键因素。GPU最初设计用于处理复杂的图形和图像任务，但随着技术的进步，它们已经演变为通用并行计算的强有力工具。本文将探讨GPU算力的基本概念、重要性、应用场景以及如何充分利用GPU算力。
Adam 和 RMSprop优化算法
最新发布
Never Give Up
07-24 762
RMSprop 是一个非常有效的、但相对简单的适应性学习率方法。Adam 在 RMSprop 的基础上增加了动量项，通常提供更好的稳定性。在实际应用中，Adam 是更受欢迎的选择，因为它通常能够更快地收敛，尤其是在复杂的深度学习模型中。在选择优化算法时，考虑具体问题的性质是很重要的，有时候可能需要通过实验来决定使用哪种算法。
对抗攻击下鲁棒目标检测器性能探究与RobustDet方法
"这篇论文研究了鲁棒目标检测器在对抗攻击下的性能，对比了不同检测器在干净图像和对抗图像上的表现。作者们提出了一个名为RobustDet的新方法，该方法结合了对抗感知卷积、对抗图像鉴别器（AID）以及重建一致特征...
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
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