DAIR-V2X
PulseAugur coverage of DAIR-V2X — every cluster mentioning DAIR-V2X across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
CoGoal3D框架增强协同3D目标检测
研究人员推出CoGoal3D，一个用于协同3D目标检测的新框架，解决了现有2D方法局限性。该系统采用两阶段流程提取和精炼3D特征，缓解了因车辆视角不同导致的空间不对齐问题。CoGoal3D在公开数据集上取得了最先进的性能，在3D检测精度方面显示出显著提升。
-
新研究通过紧凑骨干网络和视觉模型增强三维检测 · 跟踪4个来源
两篇新研究论文介绍了通过更有效地集成激光雷达和相机数据来增强自动驾驶中三维目标检测的新方法。DeGuNet提出了一种专为深度引导学习设计的超紧凑图像骨干网络，将内存消耗降低高达66.5%，并提高推理速度，同时提升mAP增益。ViCo3D利用DINOv2等视觉基础模型从激光雷达数据中提取更丰富的语义先验，改善车联网系统中的协同感知，并取得最先进的成果。
-
新的C2E框架通过多教师对比知识蒸馏提升自动驾驶中仅靠自身感知的3D目标检测
研究人员开发了一个名为C2E（Co-Perception to Eo-Perception）的新框架，该框架增强了自动驾驶系统中的3D目标检测能力。该框架利用多教师对比知识蒸馏方法，将知识从协同感知模型转移到仅靠自身感知的模型。C2E框架旨在保留协同感知的高性能，同时减轻通信成本和姿态误差等问题。在多个数据集上的实验表明，在不增加通信开销的情况下，3D mAP性能得到了显著提升。
-
INTACT框架提升自动驾驶车辆协作能力
研究人员开发了INTACT，一个用于自动驾驶车辆异构协同感知的新型框架。该系统使用自导引类型稀疏证据检索，允许车辆查询特定信息，而不是共享整个特征图。这种方法显著减少了通信量，并使得在无需大量重新训练的情况下，更容易集成新的、多样化的传感器。
-
UniTrans模型实现异构感知数据的零样本翻译
研究人员开发了UniTrans，一个新颖的通用模型，专为协作感知系统中的任意到任意特征模态翻译而设计。该模型通过预训练一组翻译专家并动态组合它们以实现新的模态映射，解决了异构传感器数据带来的挑战。UniTrans通过从中间特征中提取场景不变码来实现零样本翻译，在基准数据集上的表现优于现有方法，并为实际应用提供了可扩展的解决方案。
-
AFFormer 通过自适应特征融合增强 V2X 协同感知
研究人员开发了 AFFormer，这是一个新颖的基于 Transformer 的框架，旨在提高自动驾驶汽车在通信受损条件下的协同感知系统的鲁棒性。该系统通过对时间、代理间和空间相关性进行建模，解决了车联网 (V2X) 通信中的噪声和衰落等挑战。AFFormer 包含上下文感知融合、双空间注意力和不确定性引导细化模块，并通过师生知识蒸馏策略进一步增强。在标准数据集上的评估表明，AFFormer 在性能和效率方面优于现有方法，尤其是在通信…
-
BOLT模块实现预训练无关的异构协同感知
研究人员推出BOLT，一个新颖的、用于预训练无关的异构协同感知的模块。该系统允许独立训练的代理在没有事先协调的情况下在线适配其感知特征。BOLT利用“自我即教师”蒸馏，利用高置信度的自我预测来对齐邻近特征并提高性能，甚至在某些场景下超越了仅依赖自我的感知。