顺势而为

摘要： SC-Depth系列。 SCDepthV1 之前的单目深度估计网络的重投影损失，更多的是利用前后帧的颜色误差进行约束，得到了比较精确的结果。但它们基本上都有一个共性问题：深度值不连续！连续几张图像之间的深度值不连续！也就是说，在不同的帧上产生尺度不一致的预测，因为它们承受了每帧图像的尺度不确定性。这 阅读全文

摘要： 本文介绍了一种新的相机-激光雷达融合方法，称为“Lift Attented Splat”，该方法完全绕过单目深度估计，而是使用简单的transformer在BEV中选择和融合相机和激光雷达特征。证据表明，与基于Monocular深度估计的方法相比，本文的方法显示出更好的相机利用率，并提高了物体检测性 阅读全文

摘要： BEVPerception Survey 最新文献综述研究主要包含三个部分 ——BEV 相机、BEV 激光雷达和 BEV 融合。BEV 相机表示仅有视觉或以视觉为中心的算法，用于从多个周围摄像机进行三维目标检测或分割；BEV 激光雷达描述了点云输入的检测或分割任务；BEV 融合描述了来自多个传感器输 阅读全文

摘要： 先递上特斯拉的AI 模型HydraNets（2020） 2022年，特斯拉宣布将在其自动驾驶车辆中发布一种全新的算法：Occupancy Networks，主要用来解决以下两个问题： 问题1：检测到的物体不是数据集中训练的对象； 问题2：在基于LiDAR的系统中，可以根据检测到的物体确定对象的存在 阅读全文

摘要： 1）IoU： 优点：能够准确地描述了预测框和GT框之间的匹配程度 缺点：当两个框的交点为0时，无法准确描述预测框和GT框之间的位置关系 2）GIoU： 优点：引入最小检测框来解决，其中C表示GT框和 Anchor 框之间的最小检测框。 3）DIoU： b和bgt分别表示 Anchor 框的中心点和G 阅读全文

摘要： compile_data: 1）初始化Nuscenes API 2）Segmentation Data类，__getitem__得到traindata和valdata，主要调用NuscData的初始化， a.get_scenes调用create_split_scenes得到train，val的场景I 阅读全文

摘要： 1 def img_transform(img, post_rot, post_tran, 2 resize, resize_dims, crop, 3 flip, rotate): 4 # adjust image 5 img = img.resize(resize_dims) # 变形 crop 阅读全文

摘要： Nuscenes主要在波士顿和新加坡进行，用于采集的车辆装备了1个旋转雷达（spinning LIDAR），5个远程雷达传感器（long range RADAR sensor）和6个相机（camera） 一、数据集结构：（借用https://zhuanlan.zhihu.com/p/46353705 阅读全文

摘要： TensorRT量化工具，支持PTQ和QAT量化 基本流程：读取模型-》转化为IR进行图分析，做一些优化策略 一、TensorRT量化模式 TensorRT有两种量化模式：分别是implicitly以及explicitly量化，前者是隐式量化，在7.0及之前版本用的较多；后者显式量化在8.0版本后才 阅读全文

摘要： 自动驾驶：BEV开山之作LSS（lift,splat,shoot）原理代码串讲前言Lift参数创建视锥CamEncodeSplat转换视锥坐标系Voxel Pooling总结 前言 目前在自动驾驶领域，比较火的一类研究方向是基于采集到的环视图像信息，去构建BEV视角下的特征完成自动驾驶感知的相关任务 阅读全文

摘要： 一、ChatGPT基础知识 transformer机制 和RLHF 想了解Transformer原理，可参考该链接：transformer原理详解 RLHF（Reinforcement Learning from Human Feedback）是基于人类反馈来构建强化学习，使用强化学习的方法和框架， 阅读全文

摘要： NMS Python版 def NMS(boxes,scores, thresholds): x1 = boxes[:,0] y1 = boxes[:,1] x2 = boxes[:,2] y2 = boxes[:,3] areas = (x2-x1)*(y2-y1) _,order = score 阅读全文

摘要： 一、基础篇 1. NMS及其变种 NMS：Non-Maximum Suppression（NMS）非极大值抑制，抑制那些非极大值的元素，保留极大值元素，缺点：1. 需要手动设置阈值，阈值的设置会直接影响重叠目标的检测，太大造成误检，太小达不到理想情况。 2. 低于阈值的直接设置score为0，做法太 阅读全文

摘要： 近年来，在自动驾驶领域，鸟瞰视角（BEV）空间中的3D目标检测作为一种普遍的方法逐渐脱颖而出。尽管与视角视图方法相比，BEV方法在精度和速度估计方面得到了改进，但将BEV技术部署到实际自动驾驶车辆中仍然具有挑战性。这主要归因于它们依赖于基于视觉 Transformer （ViT）的架构，这使得相对于 阅读全文

摘要： 1 前言 本文介绍了基于视觉传感器的一些感知算法，包括2D感知，3D感知，多目感知，以及基于注意力机制的感知。其中一些文章里提到了BEV感知，也介绍了其基本原理和近期相关的进展。从目前的发展趋势来看，BEV感知已经成为了一个相对独立的研究课题，在自动驾驶系统中的应用潜力也很大。因此，本专栏专门推出一 阅读全文