CN115205846A - 三维目标检测方法、计算机设备、存储介质及车辆 - Google Patents
三维目标检测方法、计算机设备、存储介质及车辆 Download PDFInfo
- Publication number
- CN115205846A CN115205846A CN202210749012.9A CN202210749012A CN115205846A CN 115205846 A CN115205846 A CN 115205846A CN 202210749012 A CN202210749012 A CN 202210749012A CN 115205846 A CN115205846 A CN 115205846A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- information
- target
- trained
- target detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及视觉检测技术领域,具体提供一种三维目标检测方法、计算机设备、存储介质及车辆,旨在解决提高目标准确检测的问题。为此目的,本发明的方法包括通过三维目标检测模型对二维图像进行目标检测,获取二维图像中待检测目标的三维信息。三维目标检测模型通过下列方式训练得到:通过待训练三维目标检测模型对二维图像样本进行目标检测,获取二维图像样本中目标样本的二维检测信息和三维预测信息;对三维预测信息进行投影,得到二维投影信息;根据二维检测信息与二维投影信息,采用二维信息一致性损失函数对待训练三维目标检测模型进行模型训练,得到训练好的三维目标检测模型。通过上述方式,能够同时对近距离目标和远距离目标进行检测。
Description
技术领域
本发明涉及视觉检测技术领域,具体提供一种三维目标检测方法、计算机设备、存储介质及车辆。
背景技术
为了提高对二维图像进行三维目标检测的准确性,通常会采用激光雷达和摄像机联合标定的方法获取三维目标的位置等三维信息,将这些信息作为包含上述三维目标的二维图像样本的标签,进而使用二维图像样本及其标签对三维目标检测模型进行模型训练,采用训练好的三维目标检测模型对二维图像进行三维目标检测。然而,激光雷达的探测距离通常比较小,只能获取近距离目标的位置等三维信息,从而导致上述方法仅能够对近距离的三维目标进行准确检测,而无法对远距离的三维目标进行准确检测。
相应地,本领域需要一种新的技术方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决同时对近距离和远距离三维目标进行准确检测,以提高目标检测准确性的技术问题的三维目标检测方法、计算机设备、存储介质及车辆。
第一方面,提供一种三维目标检测方法,所述方法包括:
通过三维目标检测模型对二维图像进行目标检测,获取所述二维图像中待检测目标的三维信息;
其中,所述三维目标检测模型通过下列方式训练得到:
通过待训练三维目标检测模型对二维图像样本进行目标检测,获取所述二维图像样本中目标样本的二维检测信息和三维预测信息;
对所述三维预测信息进行投影,得到二维投影信息;
根据所述二维检测信息与所述二维投影信息,采用二维信息一致性损失函数对所述待训练三维目标检测模型进行模型训练,得到训练好的三维目标检测模型。
在上述三维目标检测方法的一个技术方案中,“根据所述二维检测信息与所述二维投影信息,采用二维信息一致性损失函数对所述待训练三维目标检测模型进行模型训练,得到训练好的三维目标检测模型”的步骤具体包括:
根据所述二维图像样本的样本标签分别确定每个所述目标样本是否有三维实际信息;
若当前目标样本有三维实际信息,则根据所述当前目标样本的三维实际信息与所述三维预测信息,采用三维信息一致性损失函数对所述待训练三维目标检测模型进行模型训练;
若当前目标样本没有三维实际信息,则根据所述当前目标样本的二维检测信息与所述二维投影信息,采用二维信息一致性损失函数对所述待训练三维目标检测模型进行模型训练。
在上述三维目标检测方法的一个技术方案中,在“根据所述二维检测信息与所述二维投影信息,采用二维信息一致性损失函数对所述待训练三维目标检测模型进行模型训练,得到训练好的三维目标检测模型”的步骤之后,所述方法还包括通过下列方式对所述训练好的三维目标检测模型进行训练,以修正所述训练好的三维目标检测模型:
判断所述二维图像样本的样本标签是否包含所述目标样本的三维实际信息;
若包含,则根据所述三维实际信息与所述三维预测信息,采用三维信息一致性损失函数对所述训练好的三维目标检测模型进行模型训练,得到最终的三维目标检测模型;
若不包含,则不对所述训练好的三维目标检测模型进行训练。
在上述三维目标检测方法的一个技术方案中,“通过待训练三维目标检测模型对二维图像样本进行目标检测,获取所述二维图像样本中目标样本的二维检测信息和三维预测信息”的步骤具体包括:
通过所述待训练三维目标检测模型对二维图像样本进行目标检测,得到所述目标样本的二维检测框;
根据所述二维检测框的二维检测信息和三维预测信息,分别确定所述目标样本的二维检测信息和三维预测信息。
在上述三维目标检测方法的一个技术方案中,所述方法还包括:
采用平方损失函数建立所述二维信息一致性损失函数;
和/或,采用平方损失函数建立所述三维信息一致性损失函数。
在上述三维目标检测方法的一个技术方案中,所述三维预测信息与所述三维实际信息均至少包括目标样本的三维坐标、尺寸和方向角。
在上述三维目标检测方法的一个技术方案中,所述方法还包括通过单目相机获取所述二维图像样本。
在第二方面,提供一种计算机设备,该计算机设备包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述三维目标检测方法的技术方案中任一项技术方案所述的三维目标检测方法。
在第三方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述三维目标检测方法的技术方案中任一项技术方案所述的三维目标检测方法。
在第四方面,提供一种车辆,所述车辆包括上述计算机设备技术方案所述的计算机设备。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
在实施本发明的技术方案中,可以通过三维目标检测模型对二维图像进行目标检测,获取二维图像中待检测目标的三维信息。三维目标检测模型通过下列方式训练得到:通过待训练三维目标检测模型对二维图像样本进行目标检测,获取二维图像样本中目标样本的二维检测信息和三维预测信息;对三维预测信息进行投影,得到二维投影信息;根据二维检测信息与二维投影信息,采用二维信息一致性损失函数对待训练三维目标检测模型进行模型训练,得到训练好的三维目标检测模型。
通过上述实施方式,即使无法获取二维图像样本中目标样本的三维实际信息,也可以通过对目标样本的二维检测信息与二维投影信息进行几何约束,来训练三维目标检测模型,使得训练好的三维目标检测模型能够准确地从二维图像中检测出目标的三维信息,克服了现有技术中由于无法获取远距离目标的三维实际信息进行模型训练,而导致无法对远距离的三维目标进行准确检测的缺陷。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围组成限制。其中:
图1是根据本发明的一个实施例的获取三维目标检测模型的方法的主要步骤流程示意图;
图2是根据本发明的一个实施例的对待训练三维目标检测模型进行模型训练的方法的主要步骤流程示意图;
图3是根据本发明的另一个实施例的对待训练三维目标检测模型进行模型训练的方法的主要步骤流程示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“处理器”可以包括硬件、软件或者两者的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。
在根据本发明的一个三维目标检测方法实施例中,该三维目标检测方法可以通过三维目标检测模型对二维图像进行目标检测,获取二维图像中待检测目标的三维信息。二维图像可以是通过单目相机获取到的图像,即这个二维图像是单目图像。本发明实施例通过三维目标检测模型对一个单目图像进行目标检测,就可以得到这个单目图像中待检测目标的三维信息。待检测目标的三维信息至少包括待检测目标的三维坐标、尺寸和方向角(direction cosine)。
三维目标检测模型可以是利用神经网络(Neural Networks)构建的用于从二维图像中检测出目标的三维信息的网络模型。参阅附图1,在本发明实施例中在构建好初始的三维目标检测模型(待训练三维目标检测模型)之后,可以通过下列步骤S101至步骤S103对上述待训练三维目标检测模型进行模型训练,以便于利用训练好的三维目标检测模型对二维图像进行目标检测,来获取二维图像中待检测目标的三维信息。
步骤S101:通过待训练三维目标检测模型对二维图像样本进行目标检测,获取二维图像样本中目标样本的二维检测信息和三维预测信息。
二维图像样本同样可以是通过单目相机获取到的图像,即二维图像样本也是单目图像。二维检测信息至少包括目标样本的二维坐标,三维预测信息至少包括目标样本的三维坐标、尺寸和方向角。
在一些实施方式中,可以通过下列步骤S1011至步骤S1012来获取目标样本的二维检测信息和三维预测信息。
步骤S1011:通过待训练三维目标检测模型对二维图像样本进行目标检测,得到目标样本的二维检测框。二维检测框是指目标样本在二维图像样本上的边界框。
步骤S1012:根据二维检测框的二维检测信息和三维预测信息,分别确定目标样本的二维检测信息和三维预测信息。
在本实施方式中可以将二维检测框的二维检测信息和三维预测信息,分别作为目标样本的二维检测信息和三维预测信息。
步骤S102:对三维预测信息进行投影,得到二维投影信息。
在本发明实施例中可以对三维预测信息进行坐标系转换,将其由三维坐标系转换至二维图像坐标系,从而实现对三维预测信息的二维投影,得到二维投影信息,其中,三维坐标系可以是世界坐标系(World Coordinate System)。具体地,在本实施例中可以先确定世界坐标系与二维图像坐标系之间的坐标系转换关系,再通过该坐标系转换关系对三维预测信息进行坐标系转换。需要说明的是,在本实施例中可以采用视觉技术领域中常规的坐标系转换关系确定方法来确定世界坐标系与二维图像坐标系之间的坐标系转换关系,例如可以通过小孔成像(Pinhole imaging)原理确定世界坐标系与二维图像坐标系之间的坐标转换关系。
步骤S103:根据二维检测信息与二维投影信息,采用二维信息一致性损失函数对待训练三维目标检测模型进行模型训练,得到训练好的三维目标检测模型。
二维检测信息可以表示目标样本在二维图像样本上的二维信息真实值,而二维投影信息是由三维预测信息投影得到的,因而二维投影信息可以表示目标样本在二维图像样本上的二维信息预测值。
通过二维信息一致性损失函数对待训练三维目标检测模型进行模型训练,可以使得二维投影信息(二维信息预测值)不断地接近于二维检测信息(二维信息真实值),如果二维投影信息越接近于二维检测信息,表明待训练三维目标检测模型对二维图像样本进行目标检测得到的目标样本的三维预测信息越准确。
在一些实施方式中,可以通过平方损失函数来建立二维信息一致性损失函数,例如二维信息一致性损失函数可以如下式(1)所示。
通过上述步骤S101至步骤S103,即使无法获取二维图像样本中目标样本的三维实际信息,也可以通过对目标样本的二维检测信息与二维投影信息进行几何约束,来训练三维目标检测模型,使得训练好的三维目标检测模型能够准确地从二维图像中检测出目标的三维信息。
下面对上述步骤S103作进一步说明。
在对待训练三维目标检测模型进行模型训练时通常会使用大批量的二维图像样本进行模型训练,其中,每个二维图像样本均至少包含一个目标样本。而二维图像样本的样本标签中可能标注了所有目标样本的三维实际信息,也可能只标注了一部分目标样本的三维实际信息。为了进一步提高模型训练的准确性和效率,对于标注了三维实际信息的目标样本可以使用三维实际信息进行模型训练,对于没有标注三维实际信息的目标样本可以使用目标样本的二维检测信息与二维投影信息进行模型训练。具体而言,参阅附图2,在上述步骤S103的一些实施方式中,可以通过下列步骤S1031至步骤S1033对待训练三维目标检测模型进行模型训练。
步骤S1031:根据二维图像样本的样本标签分别确定每个目标样本是否有三维实际信息。
若当前目标样本有三维实际信息,则转至步骤S1032;
若当前目标样本没有三维实际信息,则转至步骤S1033。
步骤S1032:根据当前目标样本的三维实际信息与三维预测信息,采用三维信息一致性损失函数对待训练三维目标检测模型进行模型训练。通过三维信息一致性损失函数对待训练三维目标检测模型进行模型训练,可以使得三维预测信息不断地接近于三维实际信息,如果三维预测信息越接近于三维实际信息,表明待训练三维目标检测模型对二维图像样本进行目标检测得到的目标样本的三维预测信息越准确。
在一些实施方式中,可以通过平方损失函数来建立三维信息一致性损失函数,例如三维信息一致性损失函数可以如下式(2)所示。
步骤S1033:根据当前目标样本的二维检测信息与二维投影信息,采用二维信息一致性损失函数对待训练三维目标检测模型进行模型训练。需要说明的是,步骤S1033的具体方法与前述方法实施例中步骤S103所述的方法类似,在此不再进行赘述。
通过上述步骤S1031至步骤S1033,能够同时利用标注了三维实际信息的目标样本和没有标注三维实际信息的目标样本对待训练三维目标检测模型进行模型训练,显著提高了模型训练的准确性和效率。
此外,在上述步骤S103的另一些实施方式中,在根据二维检测信息与二维投影信息,采用二维信息一致性损失函数对待训练三维目标检测模型进行模型训练,得到训练好的三维目标检测模型之后,还可以利用目标样本的三维实际信息再次对训练好的三维目标检测模型进行训练,以修正训练好的三维目标检测模型,进一步提高三维目标检测模型的目标检测准确性。具体而言,参阅附图3,在本实施方式中可以通过下列步骤S104至步骤S106对训练好的三维目标检测模型进行训练,以修正训练好的三维目标检测模型。
步骤S104:判断二维图像样本的样本标签是否包含目标样本的三维实际信息;若包含,则转至步骤S105;若不包含,则转至步骤S106。
步骤S105:根据三维实际信息与三维预测信息,采用三维信息一致性损失函数对训练好的三维目标检测模型进行模型训练,得到最终的三维目标检测模型。
需要说明的是,步骤S105的具体方法与前述方法实施例中步骤S1032所述的方法类似,在此不再进行赘述。
步骤S106:不对训练好的三维目标检测模型进行训练。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
本领域技术人员能够理解的是,本发明实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种计算机设备。在根据本发明的一个计算机设备实施例中,计算机设备包括处理器和存储装置,存储装置可以被配置成存储执行上述方法实施例的三维目标检测方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的三维目标检测方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机设备可以是包括各种电子设备形成的控制装置设备。
进一步,本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的三维目标检测方法的程序,该程序可以由处理器加载并运行以实现上述三维目标检测方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,本发明还提供了一种车辆。在根据本发明的一个车辆实施例中,车辆可以包括上述计算机设备实施例所述的计算机设备。在本实施例中车辆可以是自动驾驶车辆、无人车等车辆。此外,按照动力源类型划分,本实施例中车辆可以是燃油车、电动车、电能与燃油混合的混动车或使用其他新能源的车辆等。
至此,已经结合附图所示的一个实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种三维目标检测方法,其特征在于,所述方法包括:
通过三维目标检测模型对二维图像进行目标检测,获取所述二维图像中待检测目标的三维信息;
其中,所述三维目标检测模型通过下列方式训练得到:
通过待训练三维目标检测模型对二维图像样本进行目标检测,获取所述二维图像样本中目标样本的二维检测信息和三维预测信息;
对所述三维预测信息进行投影,得到二维投影信息;
根据所述二维检测信息与所述二维投影信息,采用二维信息一致性损失函数对所述待训练三维目标检测模型进行模型训练,得到训练好的三维目标检测模型。
2.根据权利要求1所述的三维目标检测方法,其特征在于,“根据所述二维检测信息与所述二维投影信息,采用二维信息一致性损失函数对所述待训练三维目标检测模型进行模型训练,得到训练好的三维目标检测模型”的步骤具体包括:
根据所述二维图像样本的样本标签分别确定每个所述目标样本是否有三维实际信息;
若当前目标样本有三维实际信息,则根据所述当前目标样本的三维实际信息与所述三维预测信息,采用三维信息一致性损失函数对所述待训练三维目标检测模型进行模型训练;
若当前目标样本没有三维实际信息,则根据所述当前目标样本的二维检测信息与所述二维投影信息,采用二维信息一致性损失函数对所述待训练三维目标检测模型进行模型训练。
3.根据权利要求1所述的三维目标检测方法,其特征在于,在“根据所述二维检测信息与所述二维投影信息,采用二维信息一致性损失函数对所述待训练三维目标检测模型进行模型训练,得到训练好的三维目标检测模型”的步骤之后,所述方法还包括通过下列方式对所述训练好的三维目标检测模型进行训练,以修正所述训练好的三维目标检测模型:
判断所述二维图像样本的样本标签是否包含所述目标样本的三维实际信息;
若包含,则根据所述三维实际信息与所述三维预测信息,采用三维信息一致性损失函数对所述训练好的三维目标检测模型进行模型训练,得到最终的三维目标检测模型;
若不包含,则不对所述训练好的三维目标检测模型进行训练。
4.根据权利要求1所述的三维目标检测方法,其特征在于,“通过待训练三维目标检测模型对二维图像样本进行目标检测,获取所述二维图像样本中目标样本的二维检测信息和三维预测信息”的步骤具体包括:
通过所述待训练三维目标检测模型对二维图像样本进行目标检测,得到所述目标样本的二维检测框;
根据所述二维检测框的二维检测信息和三维预测信息,分别确定所述目标样本的二维检测信息和三维预测信息。
5.根据权利要求2或3所述的三维目标检测方法,其特征在于,所述方法还包括:
采用平方损失函数建立所述二维信息一致性损失函数;
和/或,
采用平方损失函数建立所述三维信息一致性损失函数。
6.根据权利要求2或3所述的三维目标检测方法,其特征在于,所述三维预测信息与所述三维实际信息均至少包括目标样本的三维坐标、尺寸和方向角。
7.根据权利要求1至4中任一项所述的三维目标检测方法,其特征在于,所述方法还包括通过单目相机获取所述二维图像样本。
8.一种计算机设备,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至7中任一项所述的三维目标检测方法。
9.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至7中任一项所述的三维目标检测方法。
10.一种车辆,其特征在于,所述车辆包括权利要求8所述的计算机设备。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749012.9A CN115205846A (zh) | 2022-06-28 | 2022-06-28 | 三维目标检测方法、计算机设备、存储介质及车辆 |
PCT/CN2023/100354 WO2024001804A1 (zh) | 2022-06-28 | 2023-06-15 | 三维目标检测方法、计算机设备、存储介质及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749012.9A CN115205846A (zh) | 2022-06-28 | 2022-06-28 | 三维目标检测方法、计算机设备、存储介质及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115205846A true CN115205846A (zh) | 2022-10-18 |
Family
ID=83577421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210749012.9A Pending CN115205846A (zh) | 2022-06-28 | 2022-06-28 | 三维目标检测方法、计算机设备、存储介质及车辆 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115205846A (zh) |
WO (1) | WO2024001804A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001804A1 (zh) * | 2022-06-28 | 2024-01-04 | 安徽蔚来智驾科技有限公司 | 三维目标检测方法、计算机设备、存储介质及车辆 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079619B (zh) * | 2019-12-10 | 2023-04-18 | 北京百度网讯科技有限公司 | 用于检测图像中的目标对象的方法和装置 |
CN111563415B (zh) * | 2020-04-08 | 2023-05-26 | 华南理工大学 | 一种基于双目视觉的三维目标检测系统及方法 |
CN114359892A (zh) * | 2021-12-09 | 2022-04-15 | 北京大学深圳研究生院 | 三维目标检测方法、装置及计算机可读存储介质 |
CN115205846A (zh) * | 2022-06-28 | 2022-10-18 | 安徽蔚来智驾科技有限公司 | 三维目标检测方法、计算机设备、存储介质及车辆 |
-
2022
- 2022-06-28 CN CN202210749012.9A patent/CN115205846A/zh active Pending
-
2023
- 2023-06-15 WO PCT/CN2023/100354 patent/WO2024001804A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001804A1 (zh) * | 2022-06-28 | 2024-01-04 | 安徽蔚来智驾科技有限公司 | 三维目标检测方法、计算机设备、存储介质及车辆 |
Also Published As
Publication number | Publication date |
---|---|
WO2024001804A1 (zh) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109188457B (zh) | 物体检测框的生成方法、装置、设备、存储介质及车辆 | |
EP3506158B1 (en) | Method and apparatus for determining lane line on road | |
CN109508580B (zh) | 交通信号灯识别方法和装置 | |
KR20190090393A (ko) | 차선 결정 방법, 디바이스 및 저장 매체 | |
CN111091023B (zh) | 一种车辆检测方法、装置及电子设备 | |
CN110544268B (zh) | 一种基于结构光及SiamMask网络的多目标跟踪方法 | |
WO2022126522A1 (zh) | 物体识别方法、装置、可移动平台以及存储介质 | |
CN112753038A (zh) | 识别车辆变道趋势的方法和装置 | |
CN115601434B (zh) | 回环检测方法、计算机设备、计算机可读存储介质及车辆 | |
CN112052807B (zh) | 车辆位置检测方法、装置、电子设备及存储介质 | |
CN114966651A (zh) | 可行驶区域检测方法、计算机设备、存储介质及车辆 | |
WO2024001804A1 (zh) | 三维目标检测方法、计算机设备、存储介质及车辆 | |
CN112784639A (zh) | 路口检测、神经网络训练及智能行驶方法、装置和设备 | |
CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
US20230368407A1 (en) | Drivable area detection method, computer device, storage medium, and vehicle | |
CN116052100A (zh) | 图像感知方法、计算机设备、计算机可读存储介质及车辆 | |
CN115205820A (zh) | 物体关联方法、计算机设备、计算机可读存储介质及车辆 | |
CN115248441A (zh) | 数据处理方法、装置、终端及介质 | |
CN112818845A (zh) | 测试方法、目标对象检测方法、行驶控制方法及装置 | |
CN115965925B (zh) | 点云目标检测方法、计算机设备、存储介质及车辆 | |
CN117475397B (zh) | 基于多模态传感器的目标标注数据获取方法、介质及设备 | |
CN117784162B (zh) | 目标标注数据获取方法、目标跟踪方法、智能设备及介质 | |
CN115063594B (zh) | 一种基于自动驾驶的特征提取方法及装置 | |
CN115984795A (zh) | 图像感知方法、计算机设备、计算机可读存储介质及车辆 | |
CN117854032A (zh) | 数据的标注及障碍物的识别方法、装置、终端设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |