自动驾驶

摘要 最近的许多工作通过视差估计恢复点云，然后应用3D探测器解决了这一问题。视差图是为整个图像计算的，这是昂贵的，并且不能利用特定类别的先验。相反，我们设计了一个实例视差估计网络 iDi

版权声明：本文为CSDN博主「源代码杀手」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原 ...

3d object detection的一般的pipeline Anchor based vs Center based RPN 当前比较流行的3d目标检测pipeline，或是通过pillar，对3d点云进行编码

这是一篇CVPR2018的文章，对于Faster RCNN相关知识暂未深入了解，待之后补充。本文按阅读顺序来进行梳理，有些疑惑待自己理解后再作答。 一、文章贡献 贡献一种高效的基于多层融合的三维目标

2021SCSDUSC 接下来分析SOTA Anchor Free算法： 简要介绍: PaddleDetection2.0更新后的招牌模型算法之一 PAFNet（Paddle Anchor Free&#xff

1、为什么要做这个研究（理论走向和目前缺陷） ? 之前做3D目标检测大多基于Anchor来做，不好表达，且不利于下游任务，如跟踪。 2、他们怎么做这个研究 （方

Main stream network model: Pointpillar: Fast Encoders for Object Detection from Point Clouds by Lang et al. paper:https:

Image Classification（图像分类）：判断图像的分类，知道里面的东西是什么，不需要知道在哪里，只需要标出存在的类别名称即可。 Object d

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

1. Motivation 现在存在的3D目标检测方法可以分为两种,一种是基于point-based,一种是基于grid-based(也就是voxel-based)。point-based可以获得更大的感受野，但是计算成本过高&