High-precision Depth Estimation with the 3D LiDAR and Stereo Fusion（使用3D雷达和立体融合的高精度深度估计）思维导图
2022-05-18
101
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
High-precision Depth Estimation with the 3D LiDAR and Stereo Fusion（使用3D雷达和立体融合的高精度深度估计）思维导图
目录
相关文章
|
2月前
|
传感器
机器学习/深度学习
自动驾驶
【多模态融合】CRN 多视角相机与Radar融合 实现3D检测、目标跟踪、BEV分割 ICCV2023
本文介绍使用雷达与多视角相机融合，实现3D目标检测、3D目标跟踪、道路环境BEV分割，它是来自ICCV2023的。CRN，全称是Camera Radar Net，是一个多视角相机-雷达融合框架。
通过融合多视角相机和雷达的特性，生成语义丰富且空间精确的BEV特征图。实现3D物体检测、跟踪和BEV分割任务。
71
1
1
|
传感器
机器学习/深度学习
编解码
一文尽览 | 基于点云、多模态的3D目标检测算法综述！（Point/Voxel/Point-Voxel）（下）
目前3D目标检测领域方案主要包括基于单目、双目、激光雷达点云、多模态数据融合等方式，本文主要介绍基于激光雷达雷达点云、多模态数据的相关算法，下面展开讨论下~
1618
0
0
|
6月前
|
传感器
机器学习/深度学习
Ubuntu
【论文解读】F-PointNet 使用RGB图像和Depth点云深度 数据的3D目标检测
F-PointNet 提出了直接处理点云数据的方案，但这种方式面临着挑战，比如：如何有效地在三维空间中定位目标的可能位置，即如何产生 3D 候选框，假如全局搜索将会耗费大量算力与时间。
F-PointNet是在进行点云处理之前，先使用图像信息得到一些先验搜索范围，这样既能提高效率，又能增加准确率。
论文地址：Frustum PointNets for 3D Object Detection from RGB-D Data
开源代码：https://github.com/charlesq34/frustum-pointnets
155
0
0
|
传感器
机器学习/深度学习
编解码
面向工程，高精度高效率！Fast BEV：快速而强大的BEV感知基线（NIPS2022）
近年来，基于鸟瞰图（BEV）表示的感知任务越来越受到关注，BEV表示有望成为下一代自动驾驶车辆（AV）感知的基础。现有大多数的BEV解决方案要么需要大量资源来执行车载推理，要么性能不佳。本文提出了一种简单而有效的框架，称为Fast BEV，它能够在车载芯片上执行更快的BEV感知。为了实现这一目标，作者首先从经验上发现，BEV表示可以足够强大，而无需昂贵的基于transformer的变换或深度表示。
585
0
0
|
传感器
机器学习/深度学习
存储
登顶KITTI和NuScenes | 2DPASS：2D先验辅助的激光雷达点云语义分割！ECCV2022
语义分割在大规模室外场景理解中起着至关重要的作用，在自动驾驶和机器人技术中有着广泛的应用[1-3]。在过去几年中，研究界投入了大量精力，使用相机图像[4-7]或激光雷达点云[2，8-12]作为输入来理解自然场景。
556
0
2
|
机器学习/深度学习
边缘计算
人工智能
一文尽览 | 基于点云、多模态的3D目标检测算法综述！（Point/Voxel/Point-Voxel）（上）
目前3D目标检测领域方案主要包括基于单目、双目、激光雷达点云、多模态数据融合等方式，本文主要介绍基于激光雷达雷达点云、多模态数据的相关算法，下面展开讨论下~
2630
0
1
|
前端开发
算法
定位技术
3D激光SLAM--A-LOAM :前端lidar点特征提取部分代码解读
A-LOAM的cpp有四个,其中 kittiHelper.cpp 的作用是将kitti数据集转为rosbag
剩下的三个是作为 slam 的 部分,分别是:
- laserMappin.cpp ++++ 当前帧到地图的优化
- laserOdometry.cpp ++++ 帧间里程计
- scanRegistration.cpp ++++ 前端lidar点预处理及特征提取
本片主要解读 前端lidar点特征提取部分的代码
228
0
0
|
编解码
算法
区块链
Google Earth Engine——VNP13算法过程产生三种植被指数。(1）归一化差异植被指数（NDVI），（2）增强植被指数（EVI），以及（3）增强植被指数-2（EVI2）。
Google Earth Engine——VNP13算法过程产生三种植被指数。(1）归一化差异植被指数（NDVI），（2）增强植被指数（EVI），以及（3）增强植被指数-2（EVI2）。
502
0
0
|
传感器
数据采集
Google Earth Engine ——ANDSAT/LM03/C01/T1-T2经过缩放、校准的传感器辐射度数据集
Google Earth Engine ——ANDSAT/LM03/C01/T1-T2经过缩放、校准的传感器辐射度数据集
100
0
0
|
传感器
数据采集
Google Earth Engine ——ANDSAT/LM04/C01/T1-T2经过缩放、校准的传感器辐射度数据集
Google Earth Engine ——ANDSAT/LM04/C01/T1-T2经过缩放、校准的传感器辐射度数据集
98
0
0
热门文章
最新文章
1
解决关于Windows Defender Antivirus Service自启造成运行python程序时，Windows的cpu和内存占用过高问题
2
订票系统不再瘫痪 阿里云确认与12306合作
3
2022年了！你有几种获取URL参数的方法？
4
基于Tablestore的一站式物联网存储解决方案-场景篇
5
使用 Notepad++ 编辑 .java 文件时的相关配置
6
烂泥：IIS主机头的理解与应用
7
安装SQLSERVER2000时出现以前的某个程序安装已在安装计算机上创建挂起的文件操作
8
android 官方文档中的一些错误收集
9
Git SSH Key 生成步骤
10
iReport中求和的问题
1
【C言专栏】C 语言结构体的应用与实践
19
2
【C 言专栏】C 语言指针的深度解析
20
3
【专栏：HTML与CSS前端技术趋势篇】HTML与CSS在PWA（Progressive Web Apps）中的应用
19
4
【专栏：HTML与CSS前端技术趋势篇】前端框架（React/Vue/Angular）与HTML/CSS的结合使用
18
5
Docker部署Traefik结合内网穿透远程访问Dashboard界面
24
6
【专栏：HTML 与 CSS 前端技术趋势篇】Web 性能优化：CSS 与 HTML 的未来趋势
13
7
探索自动化测试工具Selenium Grid的高效集成策略
11
8
深入理解PHP中的命名空间
14
9
【专栏：HTML与CSS前端技术趋势篇】渐进式增强与优雅降级在前端开发中的实践
11
10
【专栏：HTML与CSS前端技术趋势篇】网页设计中的CSS Grid与Flexbox之争
11