Open DeepTecher opened 5 years ago
LaserNet: An Efficient Probabilistic 3D Object Detector for Autonomous Driving ，CVPR2019, KITTI BEV（Bird's Eye View），LiDAR解决方案 提交日期：2019-03-20 团队：Uber 作者：Gregory P. Meyer, Ankit Laddha, Eric Kee, Carlos Vallespi-Gonzalez, Carl K. Wellington
摘要：在本文中，我们介绍了LaserNet，一种用于自动驾驶的LiDAR数据的3D对象检测的计算有效方法。效率来自在传感器的原生范围视图中处理LiDAR数据，其中输入数据自然紧凑。在范围视图中操作涉及众所周知的学习挑战，包括遮挡和尺度变化，但它还基于如何捕获传感器数据来提供上下文信息。我们的方法使用完全卷积网络来预测每个点的3D Box上的多模态分布，然后它有效地融合这些分布以生成每个对象的预测。实验表明，将每个检测建模为分布而不是单个确定性框导致更好的整体检测性能。基准测试结果表明，这种方法的运行时间明显低于其他最新的检测器，并且在具有足够数据的大型数据集上进行比较时，它可以实现最先进的性能，以克服视图范围内训练的挑战。
LaserNet: An Efficient Probabilistic 3D Object Detector for Autonomous Driving ，CVPR2019, KITTI BEV（Bird's Eye View），LiDAR解决方案 提交日期：2019-03-20 团队：Uber 作者：Gregory P. Meyer, Ankit Laddha, Eric Kee, Carlos Vallespi-Gonzalez, Carl K. Wellington
摘要：在本文中，我们介绍了LaserNet，一种用于自动驾驶的LiDAR数据的3D对象检测的计算有效方法。效率来自在传感器的原生范围视图中处理LiDAR数据，其中输入数据自然紧凑。在范围视图中操作涉及众所周知的学习挑战，包括遮挡和尺度变化，但它还基于如何捕获传感器数据来提供上下文信息。我们的方法使用完全卷积网络来预测每个点的3D Box上的多模态分布，然后它有效地融合这些分布以生成每个对象的预测。实验表明，将每个检测建模为分布而不是单个确定性框导致更好的整体检测性能。基准测试结果表明，这种方法的运行时间明显低于其他最新的检测器，并且在具有足够数据的大型数据集上进行比较时，它可以实现最先进的性能，以克服视图范围内训练的挑战。