3D

单目3D目标检测算法对自动驾驶领域非常重要，SMOKE是2021年CVPR workshop的文章，精度在kitti上排名前列，能实现实时推理，且代码开源，最近也被baidu

动机： in this paper that predicts a 3D bounding box for each detected object by combining a single keypoint estimate

一、前言 目前主流的空间点云检测主要有两种。一种是直接以三维点云作为输入，直接送入卷积网络或者转化为体素送入。另一种是将3D点云映射到2D，主要为鸟瞰图或者前视图。一般来说第一种方法目标的检测信息比较丰富&#xff

1.前言 本文要解析的模型叫做PointPillars，是2019年出自工业界的一篇Paper。 该模型最主要的特点是检测速度和精度的平衡。该模型的平均检测速度达到了62Hz，最快速度达到了105Hz&#xff0

写给读者 文章的内容主要是我个人在学习论文的过程中按模块对论文进行了粗略的翻译并且加入了一定的理解，其中对于一些我不太了解的额外知识进行了一个补充，欢迎大家指正。 Introduction LiDAR&#xff0

代码链接 paper链接 个人博客 问题 本文首先说明了一个问题就是NMS是一个非常重要的去除预测结果中重复的后处理过程。一些工作已经发现在NMS中使用IOU来作为排序的标准能够取得更好的效果。这里作者还用一个实验证明了上述说法的正确性

这是一篇发表在了cvpr 2021上，能够在线估计外参的单目3D目标检测算法，借鉴了visual odometry和style transfer的方法，效果好， 速度快（~3

Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather基本参数： clear-weather下的接收信号功率&#xf

Lidar Point Clouds KITTI dataset KITTI是一个自动驾驶感知模块的作为标准基准的多模态数据集，涉及的感知任务包括基于图像的单眼和立体深度估计，光流（optical

Multi-View 3D Object Detection Network for Autonomous Driving 本文提出一种多模态的3D目标检测，融合了视觉和雷达点云信息。和以往基于voxel的方法不同&#xff0c