<kbd id="afajh"><form id="afajh"></form></kbd>
<strong id="afajh"><dl id="afajh"></dl></strong>
    2. 

    <del id="afajh"><form id="afajh"></form></del>
    

    5. 

        1. <th id="afajh"><progress id="afajh"></progress></th>

          <b id="afajh"><abbr id="afajh"></abbr></b>
          <th id="afajh"><progress id="afajh"></progress></th>
          一個雷達和攝像頭融合的3D目標檢測方法CenterFusion
          共
                1984字，需瀏覽
                    4分鐘
                
           ·
          2021-07-28 00:12
          
                    

                    
                    
                    
                    
          點擊上方“小白學(xué)視覺”，選擇加"星標"或“置頂”
          重磅干貨，第一時間送達
          本文轉(zhuǎn)自：計算機視覺工坊
          以前提到過此文（在想法中），WACV‘2021錄?。骸癈enterFusion: Center-based Radar and Camera Fusion for 3D Object Detection“，作者來自田納西大學(xué)。
          摘要：這是一個middle fusion方法，CenterFusion，它先通過一個center point檢測法得到圖像的目標，然后和雷達檢測結(jié)果做數(shù)據(jù)相關(guān)，采用的是一個frustum-based方法。最后關(guān)聯(lián)的目標檢測產(chǎn)生基于雷達的特征圖補充圖像特征，這樣回歸目標的深度、旋轉(zhuǎn)角和深度。
          作者提供了代碼：https://github.com/mrnabati/CenterFusion
          網(wǎng)絡(luò)架構(gòu)如圖所示：跟摘要說的那樣，細節(jié)見下面模塊分析。
          首先，需要搞清楚雷達信號檢測的是徑向深度和目標實際速度的不同，如圖：
          作者采用CenterNet方法，無錨單目的目標檢測方法。其中keypoint的heatmap定義為：
          采用一個卷積encoder-decoder網(wǎng)絡(luò)預(yù)測Y?；诖?，回歸3D目標的深度、尺寸和朝向。其訓(xùn)練分類損失，即focal loss：
          CenterFusion利用CenterNet先得到一個初步檢測，然后修正的DLA（deep layer aggregation）網(wǎng)絡(luò)作為主干，在primary regression head中預(yù)測初步的3D目標信息，其中構(gòu)成包括一個3X3的卷積層和一個1X1的卷積層。
          Frustum association是關(guān)鍵融合雷達和圖像的機制。用圖像2D框和其深度+大小的估計構(gòu)建一個3D RoI frustum，如圖所示：
          如果有多個雷達檢測點在這個RoI，直接取距離最近的一個。注意這里提到一個scaling factor可增大frustum尺寸，以便包容深度估計的誤差。
          另外，目標高度的不準確，作者采用Pillar expansion對雷達點云做預(yù)處理。如圖所示：第一行是雷達點云擴大成3D pillar的顯示，第二行是直接把pillars和圖像匹配的結(jié)果，相關(guān)較弱。第三行是frustum相關(guān)，減少了上面的深度值重疊，也防止背景目標（如大樓）錯分類成前景。
          圖像和雷達的數(shù)據(jù)相關(guān)之后，可以提取雷達目標特征，深度和速度等。
          如果兩個目標有重疊的heatmap區(qū)域，按距離取最近的。
          之后，這些特征進入secondary regression head，其結(jié)構(gòu)包括3個3X3卷積層和一個1X1卷積層。最后結(jié)果需要經(jīng)過一個box decoder得到。
          訓(xùn)練中regression head的損失采用SmoothL1 loss，center point heatmap采用focal loss，而attributes regression head基于Binary Cross Entropy (BCE) loss。
          看一下結(jié)果：
          性能比較表
          直觀結(jié)果比較如下：1-2行CenterFusion，3-4行CenterNet。
          雷達點云綠色，目標框GT紅色，目標預(yù)測速度藍色箭頭。

          下載1：OpenCV-Contrib擴展模塊中文版教程
          在「小白學(xué)視覺」公眾號后臺回復(fù)：擴展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴展模塊教程中文版，涵蓋擴展模塊安裝、SFM算法、立體視覺、目標跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。

          下載2：Python視覺實戰(zhàn)項目52講
          在「小白學(xué)視覺」公眾號后臺回復(fù)：Python視覺實戰(zhàn)項目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別等31個視覺實戰(zhàn)項目，助力快速學(xué)校計算機視覺。

          下載3：OpenCV實戰(zhàn)項目20講
          在「小白學(xué)視覺」公眾號后臺回復(fù)：OpenCV實戰(zhàn)項目20講，即可下載含有20個基于OpenCV實現(xiàn)20個實戰(zhàn)項目，實現(xiàn)OpenCV學(xué)習(xí)進階。

          交流群

          歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~

          
                
          瀏覽
                    51
          點贊
    
          評論
    
          收藏
    
          分享
        
          手機掃一掃分享
          分享
    
          
        舉報
    
          評論
          圖片
          表情
          推薦
        
          點贊
    
          評論
    
          收藏
    
          分享
        
          手機掃一掃分享
          分享
    
          
        舉報
    
          

          <kbd id="afajh"><form id="afajh"></form></kbd>
          <strong id="afajh"><dl id="afajh"></dl></strong>
            2. 

            <del id="afajh"><form id="afajh"></form></del>
            

            5. 

                1. <th id="afajh"><progress id="afajh"></progress></th>

                  <b id="afajh"><abbr id="afajh"></abbr></b>
                  <th id="afajh"><progress id="afajh"></progress></th>
                  

人操人人操
|
韩国一区二区三区精品
|
人人草AV
|
一区二区三区未删减
|
欧美操逼在线观看
|