Computer Vision[33]
【重读经典】BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation
自动驾驶常见传感器包括 Camera，LiDAR，Radar 等传感器。 相机能提供丰富语义，LiDAR 提供准确的空间信息，雷达能进行速度估计。 对于多传感器方案，当时的传感器投影存在信息损失的问题： LiDAR->Cam：存在几何损失，像素坐标系中相邻的像素点，在 3D 空间中可能距离很远。设想
nuscenes-devkit的使用
nuScenes数据集说明 - FunnyWii's Zone 一文了解nuScenes数据集的结构。 我们使用nuscenes-devkit进一步学习数据集的使用。 安装非常简单，建议python版本3.12和3.9。 pip install nuscenes-devkit devkit使用 仍以
nuScenes数据集说明
nuScenes数据集包含6个Camera，1个LiDAR，5个Radar，1个GPS以及IMU。 数据量比KITTI大得多，所以目前Occ Networks更多使用nuScenes数据集。 数据集分成两大块：Full和Mini。 Full Dataset包含140万Camera图像，39万LiDA
Ubuntu22部署FlashOcc踩坑实录
环境配置 conda create --name FlashOcc python=3.8.5
conda activate FlashOcc
pip install torch==1.10.0+cu111 torchvision==0.11.0+cu111 torchaudio==0.10.0 -f
【重读经典】Lift, Splat, Shoot: Encoding Images From Arbitrary Camera Rigs by Implicitly Unprojecting to 3D
LSS 是 NVIDIA 在 ECCV2020 上发表的文章。 关于论文标题中 Lift, Splat, Shoot 三个单词的理解，这三个单词对应模型中三个核心步骤。 Lift：提升。2D 图像特征提升到 3D 视锥空间特征。 Splat：泼溅。所有相机生成的 3D 视锥特征，泼洒到统一的 BEV
【重读经典】3D Bounding Box Estimation Using Deep Learning and Geometry
Deep3DBox 是一篇比较早的使用单目相机进行3D目标检测和姿态估计的方法。 Deep3DBox 先用 CNN 回归目标的方向和尺寸，因为这两类属性稳定性比较高。然后结合 2D BBOX 的几何约束求解平移量，以生成完整的 3D BBOX。 有些方法基于 PnP，通过 2D-3D 关键点对应关系
【重读经典】DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving
标题中的 Affordance 一词，本意是”预设用途，功能特性“，最初在知觉心理学和设计学领域出现。 后来在人机交互领域，Affordance 的含义变成了：一个产品让用户自然领悟到用法的能力。 在机器人领域（自动驾驶和机器人的感知不分家），被引申为可以执行的潜在动作，即在特定情况下哪些动作是可执
多传感器融合——后融合
多传感器融合的方案可以分成前融合（Early Fusion）方案和后融合（Late Fusion）方案。 前融合也叫特征级融合，不同传感器的数据会在特征级别进行合并，也就是说，不同模态的数据经过处理和合并后会得到一个特征集合。一般来说，每个模态数据的特征会被分别提取，然后被提取到的特征会被合并为一个
计算机视觉中的Affine和Perspective Transformation
Affine Transformation 仿射变换是在二维空间上对图像进行平移(Translation)、缩放(Scale)、旋转(Rotate)、错切(Shear)操作的组合。 四种变换的矩阵形式分别为： 平移:T_t = \begin{bmatrix} 1 & 0 & p_x \\ 0 & 1
学习Transformer
Transformer 在谷歌 2017 年的论文 [\1706.03762] Attention Is All You Need 中首次被提出，主要用于 NLP（Natural Language Processing，自然语言处理）的各项任务。 后来在 CV 领域，研究者们基于 Transform