女人自慰AV免费观看内涵网,日韩国产剧情在线观看网址,神马电影网特片网,最新一级电影欧美,在线观看亚洲欧美日韩,黄色视频在线播放免费观看,ABO涨奶期羡澄,第一导航fulione,美女主播操b

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

基于激光雷達(dá)的全稀疏3D物體檢測(cè)器

CVer ? 來源:CVer ? 作者:明月不諳離苦 ? 2022-11-15 14:59 ? 次閱讀

介紹一下我們組前段時(shí)間的一個(gè)微小工作

3d56525e-64a4-11ed-8abf-dac502259ad0.png

Fully Sparse 3D Object Detection (NeurIPS 2022)

Authors:Lue Fan,王峰, 王乃巖,Zhaoxiang Zhang

論文:https://arxiv.org/abs/2207.10035

代碼已經(jīng)開源在:

https://github.com/tusen-ai/SST

長(zhǎng)話短說,我們提出了一種基于激光雷達(dá)的全稀疏3D物體檢測(cè)器,在Waymo數(shù)據(jù)集和Argoverse 2數(shù)據(jù)集上都達(dá)到了不錯(cuò)的精度和速度。下面是一個(gè)簡(jiǎn)要的介紹。

一、導(dǎo)言

目前以SECOND,PointPillars以及CenterPoint為代表的主流一階段點(diǎn)云物體檢測(cè)器都或多或少依賴致密特征圖(dense feature map)。這些方法基本都會(huì)把稀疏體素特征“拍成“dense BEV feature map。這樣做可以沿用2D檢測(cè)器的很多套路,取得了非常不錯(cuò)的性能。但是由于dense feature map的計(jì)算量和檢測(cè)范圍的平方成正比,使得這些檢測(cè)器很難scale up到大范圍long-range檢測(cè)場(chǎng)景中。比如新出的Argoverse 2數(shù)據(jù)集具有[-200, 200] x [-200, 200]的理論檢測(cè)范圍,比常用的不超過[-75. 75] x [-75, 75]的范圍大了許多。于是便引出了本文想解決的一個(gè)痛點(diǎn)問題:

如何去掉這些dense feature map,把檢測(cè)器做成fully sparse的,以此高效地實(shí)現(xiàn) long-range LiDAR detection?

這里補(bǔ)一句:全稀疏其實(shí)并不是一個(gè)新概念,在點(diǎn)云物體檢測(cè)發(fā)展的早期,以PointRCNN為代表的眾多純point-based 方法天生就是全稀疏的。但由于Neighborhood query和FPS的存在,純point-based方法在大規(guī)模點(diǎn)云數(shù)據(jù)上的效率不是很理想。這就導(dǎo)致純point-based方法在點(diǎn)云規(guī)模較大的benchmark上性能表現(xiàn)不佳(沒辦法用較大的模型和分辨率。)

而去掉dense feature map的一個(gè)直接問題就是會(huì)導(dǎo)致物體中心特征的缺失(center feature missing)。這是由于點(diǎn)云常常分布在物體的側(cè)表面,對(duì)于大物體尤其如此。在dense detector中,多層的卷積會(huì)把物體邊緣的有效特征擴(kuò)散到物體中心,因此這些檢測(cè)器不存在直接的中心特征缺失問題,可以使用已被證明非常有效的center assignment。下圖展示了特征擴(kuò)散的過程:

3d8a4cd0-64a4-11ed-8abf-dac502259ad0.jpg

為了解決在全稀疏結(jié)構(gòu)下中心特征缺失的問題,我們有一個(gè)基本想法:

既然中心特征缺失了,那么就不依靠中心特征做預(yù)測(cè),而是依靠物體整體的有效特征做預(yù)測(cè)。

二、方法

順著上面的基本想法,一個(gè)具體的思路就是先把物體分割出來,再將物體當(dāng)作一個(gè)整體,并用稀疏的方式提取特征。第一步的分割在全稀疏的結(jié)構(gòu)下很好實(shí)現(xiàn),接下來物體特征的提取也可以通過眾多成熟的point-based方法實(shí)現(xiàn)。那么我們的方法就呼之欲出了:

sparse voxel encoder作為backbone和segmentor來分割物體并預(yù)測(cè)每個(gè)點(diǎn)所對(duì)應(yīng)的物體中心

對(duì)預(yù)測(cè)出來的眾多中心點(diǎn)進(jìn)行聚類,得到一個(gè)一個(gè)的instance。這一步類似VoteNet,但我們采用了connected component labeling的方式來聚類,這一點(diǎn)其實(shí)對(duì)大物體性能挺重要的。

對(duì)于每一個(gè)instance用稀疏的方式提取整體特征,并進(jìn)行該instance外接框的reasoning。

前兩步都很簡(jiǎn)單直接,但第三步稍有麻煩。對(duì)instance提取特征最常用的選擇就是在instance內(nèi)部做point-based operation, 但是之前提到這類方法效率較低。因此我們?cè)噲D規(guī)避其中諸如neighborhood query和FPS這種比較耗時(shí)的操作。我們的想法是,既然已經(jīng)得到了一個(gè)個(gè)instance,何不直接將instance作為一個(gè)一個(gè)獨(dú)立neighborhood group,扔掉進(jìn)一步的ball query或者KNN操作。

這樣做實(shí)質(zhì)上是把instance當(dāng)成了“voxel”來處理,因?yàn)閕nstance和voxel本質(zhì)上都屬于對(duì)整個(gè)點(diǎn)云的一種non-overlapping劃分。那么我們就可以直接套用提取單個(gè)體素特征那一套方案來提取instance特征,比如Dynamic VFE。具體而言,就是對(duì)instance內(nèi)的每個(gè)點(diǎn)做MLP,再做instance-wise的pooling得到instance feature。instance feature又可以重新assign到instance內(nèi)部的每個(gè)point上,這一過程可以不斷重復(fù)。這本質(zhì)上是多個(gè)簡(jiǎn)單的PointNet疊加,也可以換成其他更強(qiáng)力的操作。值得強(qiáng)調(diào)的是,由于3D空間里instance之間天然不會(huì)重疊(正如同voxel),以上的pooling操作可以通過torch中scatter operation來高效地動(dòng)態(tài)實(shí)現(xiàn)(無需對(duì)每個(gè)組進(jìn)行padding或者設(shè)置點(diǎn)數(shù)上限)。

得到最終的instance feature之后,直接預(yù)測(cè)對(duì)應(yīng)instance的外接框和類別即可,我們將整個(gè)對(duì)instance進(jìn)行處理的模塊稱之為 Sparse Instance Recognition (SIR)。

方法總體框架如下圖所示:

3d9d7c60-64a4-11ed-8abf-dac502259ad0.png

Overall Pipeline

這其中還包含著一些后續(xù)操作,比如對(duì)重新分割出比聚類得到的更準(zhǔn)確的instance,感興趣的讀者可以查看原文。

三、結(jié)果

提出的方法在Waymo的單幀單模型標(biāo)準(zhǔn)賽道上達(dá)到了SOTA的性能

3de4ad74-64a4-11ed-8abf-dac502259ad0.jpg

Waymo validation 上的性能,截圖不全,感興趣的讀者可查看原論文

同時(shí)也在新出的Argoverse 2數(shù)據(jù)集上超越了主流的CenterPoint(雖然還沒幾個(gè)人刷。。)。

值得多提一嘴的是我們的方法在長(zhǎng)距離檢測(cè)上有巨大的效率優(yōu)勢(shì),如下圖所示

3dfb29f0-64a4-11ed-8abf-dac502259ad0.jpg

這是用SST backbone測(cè)的,用SparseConv的backbone效果更佳

四、一些特性

我們的方法不受sparse backbone的類型限制,比如文中我們就使用了sparse transformer和sparse conv兩種結(jié)構(gòu)。這一點(diǎn)使得FSD可以作為sparse backbone方面研究的一個(gè)strong baseline。

該方法雖然暫時(shí)聚焦在檢測(cè)任務(wù),但已經(jīng)有了multi task的影子,可以把segmentation和detection一體化。

前向速度很快,再加上收斂也極快,Waymo上訓(xùn)練6個(gè)epoch就可以達(dá)到準(zhǔn)sota水平。這在8 x 3090上只需要不到半天時(shí)間,其他方法達(dá)到相同性能可能需要至少2天的訓(xùn)練時(shí)間。這應(yīng)該會(huì)給大家的快速實(shí)驗(yàn)迭代提供很大便利。

我們相信稀疏化是將來的一個(gè)趨勢(shì)。在很多場(chǎng)景下,sparse feature都比相比笨重的dense feature map具有更高的可操作性和靈活性,歡迎大家試用我們的模型。

審核編輯 :李倩

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 檢測(cè)器
    +關(guān)注

    關(guān)注

    1

    文章

    887

    瀏覽量

    48432
  • 激光雷達(dá)
    +關(guān)注

    關(guān)注

    971

    文章

    4196

    瀏覽量

    192001

原文標(biāo)題:NeurIPS 2022 | 中科院&圖森未來提出FSD:全稀疏的3D目標(biāo)檢測(cè)器

文章出處:【微信號(hào):CVer,微信公眾號(hào):CVer】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    自動(dòng)駕駛激光雷達(dá):原理、類型與應(yīng)用梳理

    來探測(cè)物體。白天或黑夜下的物體與車之間的距離。甚至由于反射度的不同,車道線和路面也可以區(qū)分。光束無法探測(cè)到被遮擋的物體。 2.激光雷達(dá)的關(guān)鍵參數(shù) 點(diǎn)頻:每幀水平方向平均點(diǎn)數(shù)x垂直方向平
    的頭像 發(fā)表于 04-25 11:48 ?511次閱讀
    自動(dòng)駕駛<b class='flag-5'>激光雷達(dá)</b>:原理、類型與應(yīng)用梳理

    激光雷達(dá)技術(shù)在自動(dòng)駕駛汽車中的應(yīng)用

    在不斷發(fā)展的汽車技術(shù)領(lǐng)域,LiDAR(光探測(cè)和測(cè)距)傳感——也就是“激光雷達(dá)”——已成為關(guān)鍵組件,隨著汽車行業(yè)向自主化邁進(jìn),激光雷達(dá)傳感在提供安全導(dǎo)航所需的實(shí)時(shí)
    的頭像 發(fā)表于 04-10 10:11 ?1186次閱讀
    <b class='flag-5'>激光雷達(dá)</b>技術(shù)在自動(dòng)駕駛汽車中的應(yīng)用

    OptiSystem應(yīng)用:激光雷達(dá)系統(tǒng)設(shè)計(jì)

    ,CFTNoiseThreshold可以修改恒比鑒別的靈敏度。 圖3.激光測(cè)距系統(tǒng) 2.測(cè)距(相移) 測(cè)量對(duì)象/目標(biāo)的距離的另一種方法是使用相移測(cè)距儀。 利用該方法,光源以特定頻率Rf被調(diào)制并且朝向目標(biāo)
    發(fā)表于 03-31 10:18

    禾賽科技CES 2025發(fā)布迷你型超半球3D激光雷達(dá)JT系列

    成果——迷你型超半球3D激光雷達(dá)JT系列。 JT系列激光雷達(dá)以其小巧的體積、卓越的性能和廣泛的應(yīng)用前景,吸引了眾多參展商和業(yè)內(nèi)人士的關(guān)注。禾賽科技在發(fā)布會(huì)上宣布,JT系列激光雷達(dá)正式發(fā)
    的頭像 發(fā)表于 01-13 16:00 ?568次閱讀

    禾賽科技推出面向機(jī)器人領(lǐng)域的迷你3D激光雷達(dá)

    近日,在拉斯維加斯舉行的 CES 2025 國(guó)際消費(fèi)電子展上,禾賽面向機(jī)器人領(lǐng)域的迷你 3D 激光雷達(dá) JT 系列產(chǎn)品正式面向全球發(fā)布。全新產(chǎn)品迷你型 3D 激光雷達(dá) JT 系列發(fā)布即
    的頭像 發(fā)表于 01-10 09:05 ?693次閱讀

    禾賽在CES 2025發(fā)布迷你3D激光雷達(dá)JT系列

    近日,在萬眾矚目的CES 2025國(guó)際消費(fèi)電子展上,禾賽科技為全球觀眾帶來了一款面向機(jī)器人領(lǐng)域的創(chuàng)新產(chǎn)品——迷你3D激光雷達(dá)JT系列。這款全新產(chǎn)品在發(fā)布會(huì)上即宣布正式交付,并已成功向客戶提供了超過2
    的頭像 發(fā)表于 01-09 16:10 ?481次閱讀

    全場(chǎng)景適用!TS Spectrum高速數(shù)字化儀在激光雷達(dá)系統(tǒng)中的應(yīng)用

    一、基本介紹 50多年前,激光技術(shù)的發(fā)展催生了激光雷達(dá) (LIDAR) 系統(tǒng),該系統(tǒng)在距離計(jì)算方式上取得了突破。激光雷達(dá)的原理與雷達(dá)所使用的原理非常相似。主要區(qū)別在于
    的頭像 發(fā)表于 12-13 16:13 ?445次閱讀
    全場(chǎng)景適用!TS Spectrum高速數(shù)字化儀在<b class='flag-5'>激光雷達(dá)</b>系統(tǒng)中的應(yīng)用

    激光雷達(dá)技術(shù)或可助力防御無人機(jī)

    以色列面臨無人機(jī)襲擊困擾,Lidwave公司開發(fā)4D激光雷達(dá)傳感,可在5公里外探測(cè)物體,提供高分辨率3D地圖。該公司獲1000萬美元融資,
    的頭像 發(fā)表于 12-07 10:54 ?784次閱讀
    <b class='flag-5'>激光雷達(dá)</b>技術(shù)或可助力防御無人機(jī)

    激光雷達(dá)在SLAM算法中的應(yīng)用綜述

    SLAM算法運(yùn)行的重要傳感?;?b class='flag-5'>激光雷達(dá)的SLAM算法,對(duì)激光雷達(dá)SLAM總體框架進(jìn)行介紹,詳細(xì)闡述前端里程計(jì)、后端優(yōu)化、回環(huán)檢測(cè)、地圖構(gòu)建模塊的作用并總結(jié)所使用的算法;按由2
    的頭像 發(fā)表于 11-12 10:30 ?2313次閱讀
    <b class='flag-5'>激光雷達(dá)</b>在SLAM算法中的應(yīng)用綜述

    產(chǎn)品介紹 滿足功能安全認(rèn)證要求:SIL 2安全防護(hù)型激光雷達(dá)GS1-5

    激光雷達(dá)作為移動(dòng)機(jī)器人的重要傳感,對(duì)物流機(jī)器人實(shí)現(xiàn)物體檢測(cè),幫助機(jī)器人識(shí)別和避讓行人、其他車輛等功能有重要意義。 歐鐳激光歷時(shí)三年自主研發(fā)的安全
    的頭像 發(fā)表于 11-08 10:38 ?744次閱讀
    產(chǎn)品介紹  滿足功能安全認(rèn)證要求:SIL 2安全防護(hù)型<b class='flag-5'>激光雷達(dá)</b>GS1-5

    激光雷達(dá)技術(shù)的基于深度學(xué)習(xí)的進(jìn)步

    一、激光雷達(dá)技術(shù)概述 激光雷達(dá)技術(shù)是一種基于激光的遙感技術(shù),通過發(fā)射激光脈沖并接收反射回來的光來測(cè)量物體的距離和速度。與傳統(tǒng)的
    的頭像 發(fā)表于 10-27 10:57 ?952次閱讀

    激光雷達(dá)技術(shù)的發(fā)展趨勢(shì)

    ,都有著廣泛的應(yīng)用。 激光雷達(dá)技術(shù)的發(fā)展趨勢(shì) 引言 隨著科技的不斷進(jìn)步,激光雷達(dá)技術(shù)已經(jīng)成為現(xiàn)代遙感技術(shù)中不可或缺的一部分。它通過發(fā)射激光脈沖并接收其反射,能夠精確地測(cè)量目標(biāo)物體的距離
    的頭像 發(fā)表于 10-27 10:44 ?1845次閱讀

    激光雷達(dá)與其他傳感的比較

    在現(xiàn)代科技領(lǐng)域,傳感技術(shù)的發(fā)展日新月異,為各行各業(yè)提供了強(qiáng)大的數(shù)據(jù)支持。激光雷達(dá)作為一種高精度的遙感技術(shù),近年來在多個(gè)領(lǐng)域得到了廣泛應(yīng)用。然而,激光雷達(dá)并非萬能,它與其他傳感相比,
    的頭像 發(fā)表于 10-27 10:41 ?1356次閱讀

    TS高速數(shù)字化儀在激光雷達(dá)系統(tǒng)中的應(yīng)用

    一、基本介紹 50多年前,激光技術(shù)的發(fā)展催生了激光雷達(dá) (LIDAR) 系統(tǒng),該系統(tǒng)在距離計(jì)算方式上取得了突破。激光雷達(dá)的原理與雷達(dá)所使用的原理非常相似。主要區(qū)別在于
    的頭像 發(fā)表于 09-20 11:13 ?714次閱讀
    TS高速數(shù)字化儀在<b class='flag-5'>激光雷達(dá)</b>系統(tǒng)中的應(yīng)用

    lidar激光雷達(dá)掃描儀有什么用

    于各個(gè)領(lǐng)域。 LiDAR激光雷達(dá)掃描儀的基本原理 LiDAR激光雷達(dá)掃描儀通過發(fā)射激光脈沖并接收反射回來的激光信號(hào),來測(cè)量物體與掃描儀之間的
    的頭像 發(fā)表于 08-29 16:58 ?1763次閱讀