KITTI dataset
PulseAugur coverage of KITTI dataset — every cluster mentioning KITTI dataset across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
脉冲神经网络在节能汽车感知方面展现出潜力
研究人员已经证明了脉冲神经网络（SNNs）在汽车物体检测和跟踪方面的有效性，为传统的深度学习方法提供了一种更节能的替代方案。使用SpikeYOLO架构，该研究在KITTI和BDD100K MOT2020数据集上取得了有竞争力的性能。这项工作通过展示SNNs能够以显著降低的计算需求提供高性能感知，从而确立了SNNs在现实世界自动驾驶系统中的可行性。
-
GeoISF 管道提高了 LiDAR 到卫星地理定位的准确性
研究人员开发了 GeoISF，一种使用地面 LiDAR 点云和卫星图像进行大规模跨视图地理定位的新型管道。该方法通过构建实例语义森林来解决语义对齐和模态差距相关的挑战，该森林整合了来自多个帧的语义树，以增强时间表示和判别能力。GeoISF 通过使用环境语义作为共享媒介，有效地弥合了模态差距，从而提高了匹配精度，并在 KITTI 等数据集上显著优于现有方法。
-
研究表明轻量级基于图像的ReID可改进3D行人跟踪
研究人员研究了如何通过将基于图像的重新识别（ReID）与几何数据相结合来改进3D多行人跟踪。现有方法通常使用计算量大的检测器，阻碍了机器人的实时性能。这项工作提出了一种使用CNN和Vision Transformers的轻量级框架，发现级联匹配策略可以有效地恢复被遮挡的跟踪并防止身份切换，这对于安全的人机交互至关重要。
-
新AI系统通过自适应传感器融合增强自主导航能力
研究人员开发了一种新的混合深度学习系统，用于自主导航，该系统结合了Vision Transformer和无迹卡尔曼滤波器。该系统通过捕获IMU数据的时序依赖性并从视觉输入中学习运动线索来增强姿态估计。一个自适应融合模块根据估计的不确定性动态调整传感器数据的权重，从而提高在挑战性环境中的鲁棒性。该方法还包含一个不确定性感知的损失函数，以实现对嘈杂或不完整传感器数据的更精确导航。
-
新方法通过点云补全增强3D目标检测
研究人员开发了一种新方法，通过解决稀疏和不完整的点云数据问题来改进自动驾驶中的3D目标检测。所提出的技术包括一个实例选择模块，用于识别相关的前景对象点，以及一个基于对齐的点云补全模块，该模块将这些点与原型对齐以填充缺失的数据。该方法在KITTI数据集上使用两个单阶段全稀疏检测器进行了测试，在检测性能和泛化能力方面均显示出显著的改进。
-
新方法联合校准相机-LiDAR，无需目标
研究人员开发了一种新颖的流水线，用于校准相机和LiDAR传感器，无需物理目标。该方法联合估计相机的内在参数（包括畸变）以及定义相机和LiDAR之间相对位置和方向的外在参数。该方法利用深度学习进行像素点对应，并将其与非线性优化过程相结合，以同时优化两组校准参数。
-
TriBand-BEV系统实现实时仅激光雷达行人检测
研究人员开发了TriBand-BEV，一种使用仅激光雷达数据的新型实时3D行人检测系统。该系统将3D激光雷达点云编码为具有三个高度频带的轻量级2D鸟瞰图（BEV）张量，有效地将3D检测问题转化为2D问题。TriBand-BEV可以同时检测多种道路使用者，并在KITTI数据集上实现了最先进的性能，即使在遮挡情况下也能展现出鲁棒的检测能力。
-
增强型YOLOv8n模型通过注意力和高效卷积提升实时车辆检测性能
研究人员开发了一种改进的YOLOv8n模型，用于实时车辆检测，该模型集成了Ghost模块、CBAM和DCNv2。该增强模型旨在通过减少特征冗余和优化特征表示来提升智能交通系统中的性能。在KITTI数据集上测试，该模型达到了95.4%的[email protected]，比标准YOLOv8n提高了近9%。