PointPillars
PulseAugur coverage of PointPillars — every cluster mentioning PointPillars across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Sarus框架为自动驾驶汽车实现隐私保护的感知融合
研究人员开发了Sarus，一个旨在实现来自多个自动驾驶汽车供应商的感知数据隐私保护融合的新框架。该系统利用同态加密，允许中央融合服务器聚合检测输出，而无需访问敏感的单个供应商数据或专有模型行为。在KITTI数据集上使用YOLOv8和PointPillars等检测器进行的实验表明，Sarus通过结合互补的检测结果，特别是在单个传感器模式可能出现故障的情况下，可以有效地提高场景级覆盖范围。
-
新的攻击方法揭示了LiDAR 3D目标检测器的结构性漏洞
研究人员开发了一种名为面向可解释性的视锥攻击（EFA）的新方法，以揭示基于LiDAR的3D目标检测器的漏洞。通过分析这些检测器如何利用空间证据，显著性LiDAR（SALL）方法创建了突出影响区域的显著图。EFA然后针对这些特定区域，与现有方法相比，用更少的扰动显著降低了检测召回率。这项研究表明，当前的3D检测器严重依赖于有限的空间区域，揭示了LiDAR感知系统的结构性弱点。
-
通过优化体素化而非骨干网络来降低LiDAR检测器延迟
研究人员在分析LiDAR物体检测器时发现，体素化和scatter-to-pillars步骤（而非3D卷积骨干网络）消耗了约40%的每帧延迟。通过将体素化过程移至GPU并优化scatter操作为一个单一的融合内核，他们将处理时间从31毫秒减少到19毫秒。这种优化主要得益于CPU和GPU工作的重叠，而不是单个内核速度的提升。在他们的自动标注循环中也发现了类似的瓶颈，通过为VLM API调用实现故障转移网关来解决。
-
PillarDETR 推动自动驾驶实时三维目标检测
研究人员推出了一种用于实时三维目标检测的新架构 PillarDETR，特别适用于自动驾驶系统。该模型集成了源自 YOLOv8 的骨干网络和 RT-DETR 的解码器，优化了 LiDAR 点云的处理。在 KITTI 和 nuScenes 基准测试上的实验表明，PillarDETR 在检测精度和推理速度之间取得了良好的平衡，性能优于 PointPillars 等先前方法。