CN115457360A - 一种基于双注意力机制多源融合的水上目标检测方法 - Google Patents
一种基于双注意力机制多源融合的水上目标检测方法 Download PDFInfo
- Publication number
- CN115457360A CN115457360A CN202211132614.6A CN202211132614A CN115457360A CN 115457360 A CN115457360 A CN 115457360A CN 202211132614 A CN202211132614 A CN 202211132614A CN 115457360 A CN115457360 A CN 115457360A
- Authority
- CN
- China
- Prior art keywords
- radar
- attention
- feature map
- fusion
- image
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 235000006506 Brasenia schreberi Nutrition 0.000 title abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000009877 rendering Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 239000007787 solid Substances 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种多源传感器信息融合的目标检测方法，具体涉及一种基于双注意力机制多源融合的水上目标检测方法，包括：构建雷达图像生成模型和特征提取模型，并生成2D注意力矩阵；构建视觉图像特征提取模型，得到视觉特征图；将所述2D注意力矩阵沿视觉特征图所有通道重新加权，生成融合特征图；将所述融合特征图输入目标检测网络FasterRCNN。本发明可以充分利用雷达和视觉传感器互补的信息，提升网络的精度和目标检测的准确度；有效解决水上目标在图像中权重降低以及微小目标检测性能低的问题。
Description
技术领域
本发明涉及一种多源传感器信息融合的目标检测方法，尤其涉及一种基于双注意力机制多源融合的水上目标检测方法。
背景技术
对于自动驾驶来讲，可靠的感知周围环境非常重要。目前自动驾驶领域通常采用激光雷达、毫米波雷达和视觉等传感器实现对环境的感知。这几种传感器各有优缺点，单独使用存在很大限制，在复杂干扰环境下可能无法提供障碍物的准确信息。如果将其中的两种或者多种的信息进行融合，不但能够提高感知可靠性，而且可以弥补不同传感器的短板。雷达传感器可以提供精准的速度和位置等信息；视觉传感器可以在保留目标的外观信息的前提下，弥补雷达传感器横向分辨率低的缺陷。视觉传感器和激光雷达在复杂的水上条件和天气情况下会大大降低环境感知能力，降低了检测算法的性能。然而，毫米波雷达对于复杂水上环境和天气情况有更高的适应性；
在水上自动驾驶领域中，对水面上的目标检测利用深度神经网络来提取雷达图像和视觉图像特征已屡见不鲜，但在实际应用中却难以实现。主要存在以下问题：1)水面上的目标在强烈光反射下可能导致图像曝光过度，使视觉图像中目标不清晰，权重降低；2)激光雷达与毫米波雷达存在差异，无法将现有激光雷达算法直接应用在毫米波雷达上；3)小目标检测准确性低。
发明内容
有鉴于此，本发明的目的在于提出一种基于双注意力机制多源融合的水上目标检测方法，以解决上述问题的全部或之一。
基于上述目的，本发明提供了一种基于双注意力机制多源融合的水上目标检测方法，包括如下步骤：
构建雷达图像生成模型和特征提取模型，并生成2D注意力矩阵；
构建视觉图像特征提取模型，得到视觉特征图；
将所述2D注意力矩阵沿视觉特征图所有通道重新加权，生成融合特征图；
将所述融合特征图输入目标检测网络FasterRCNN。
可选的，所述的构建雷达图像生成模型具体为：
获取雷达和视觉传感器训练数据，再把雷达点云映射到前置摄像头坐标系；
将雷达点云的深度，纵向速度和横向速度转化不同R、G、B通道的真实像素值；
以雷达点云转换为前置摄像头坐标点为圆心，按照一定的渲染规则渲染一个实心圆，得到雷达的训练图像；
通过构建雷达图像特征提取模型来对上述雷达的训练图像进行特征提取并生成对应的特征图。
可选的，渲染得到的所述实心圆的半径为7，所述的渲染规则为：若两个雷达点存在重叠区域，深度较小的应占据更多区域。
可选的，所述的构建雷达图像特征提取模型具体为：
引入ResNet-50的前两个卷积块BasicStem和Block1，前者用于处理输入的雷达图像；后者用于输出特征雷达图像。
可选的，Block1仅引入1个残差块，来改善检测模型的随机梯度下降更新速度。
可选的，所述的生成2D注意力矩阵的具体步骤为：
使用4组具有不同感受野的卷积层来提取空间注意力矩阵，将雷达图像的特征图编码为空间域注意力权重矩阵；并将雷达特征图中的通道数减少到1。
可选的，所述的构建视觉图像特征提取模型，得到视觉特征图，具体包括以下步骤：
步骤1，对原始视觉图像进行尺寸缩放，并将缩放后的图输入VGG16特征提取网络；
步骤2，使用VGG16的卷积模块1提取图像特征；
步骤3，在特征提取网络VGG16每个卷积模块后引入SENet结构；
步骤4，重复5次步骤2和步骤3，最终得到第5层SENet结构输出的视觉特征图。
可选地，将所述2D注意力矩阵沿视觉特征图所有通道重新加权，生成融合特征图，包括：
采用克罗内克积矩阵运算的加权方法，将空间注意力矩阵加权到基于SENet的VGG16特征提取网络得到的新特征图。
可选的，所述将所述融合特征图输入目标检测网络FasterRCNN，包括如下步骤：
步骤1，将融合特征图输入到ROI池化层；
步骤2，将步骤1得到的特征图连续输入到两个全连接层；
步骤3，将全连接层后的结果传递到softmax分类器和边界回归层，得到分类结果以及回归后的边界框。
本发明的有益效果：本发明通过在雷达特征提取分支上引入空间域注意力机制，将雷达的特征图编码为2D注意力矩阵；在视觉图像特征提取分支上引入基于通道域注意力机制，通过SENet结构改进视觉图像特征提取网络的性能，并获取新特征图；将上述的2D注意力矩阵加权到的视觉图像特征提取网络提取的特征，并将加权融合后的特征传递到目标检测网络FasterRCNN进行回归和分类。本发明可以充分利用雷达和视觉传感器互补的信息，提升网络的精度和目标检测的准确度；有效解决水上目标在图像中权重降低以及微小目标检测性能低的问题。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的整体融合检测框架图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1所示，一种基于双注意力机制多源融合的水上目标检测方法，包括：
构建雷达图像生成模型和特征提取模型，并生成2D注意力矩阵；
构建视觉图像特征提取模型，得到视觉特征图；
将所述2D注意力矩阵沿视觉特征图所有通道重新加权，生成融合特征图；
将所述融合特征图输入目标检测网络FasterRCNN。
雷达点云反映的是雷达周围环境的物理状态，但原始的雷达点云数据是无法输入特征提取的卷积神经网络的，因此需要构建雷达生成模型将原始环境物理状态转换为雷达图像。
构建雷达图像生成模型具体步骤为：
获取雷达和视觉传感器训练数据，再把雷达点云映射到前置摄像头坐标系；
将雷达点云的深度，纵向速度和横向速度转化不同R、G、B通道的真实像素值；
以雷达点云转换为前置摄像头坐标点为圆心，按照一定的渲染规则渲染一个半径为7的实心圆，得到雷达的训练图像，若两个雷达点存在重叠区域，深度较小的应占据更多区域；
通过构建雷达图像特征提取模型来对上述雷达的训练图像进行特征提取并生成对应的特征图。
构建雷达图像特征提取模型具体为：
引入ResNet-50的前两个卷积块BasicStem和Block1，前者用于处理输入的雷达图像；后者用于输出特征雷达图像，其中，卷积块Block1仅引入1个残差块，来改善检测模型的随机梯度下降更新速度。
由于毫米波雷达点云非常稀疏，和适用于图像特征提取的ResNet-50不同，过多的残差块反而会影响整个检测模型的更新。
一般来说，若在视觉传感器图像区域有对应的雷达点云，则目标也很有可能出现，将雷达特征图编码为2D注意力矩阵并加权到视觉图像特征，可以有效提高视觉传感器特征信息表达能力，并有效增强了水上场景微小目标以及存在曝光现象的图像的信息流。
生成2D注意力矩阵的具体步骤为：
使用4组卷积层来提取空间注意力矩阵，4组卷积层分别为Conv1×1，Conv3×3，Conv5×5，Conv7×7，内核大小分别为1×1×256×1，3×3×256×1，5×5×256×1，7×7×256×1，步长均设为(1,1),并分别填充[0,0]，[1,1]，[2,2]，[3,3]。以此将雷达图像的特征图编码为空间域注意力权重矩阵，利用该注意力权重矩阵增强视觉传感器的信息流；并将雷达特征图中的通道数减少到1。
针对视觉特征提取网络，为获取全局感受野，并增强特征表达能力，在视觉特征提取网络VGG16中引入SENet结构，使得特征提取网络不被局部感受野限制，有效提升了网络的识别性能。
构建视觉图像特征提取模型，得到视觉特征图，具体包括以下步骤：
步骤1，对原始视觉图像进行尺寸缩放，限制图像边长长边不超过1000，短边不超过600，并将缩放后的图输入VGG16特征提取网络；
步骤2，使用VGG16的卷积模块1提取图像特征；
步骤3，在特征提取网络VGG16每个卷积模块后引入SENet结构，即在通道域内进行特征压缩，获得表达目标能力更强的特征图，特征提取网络也更加轻量化；
步骤4，重复5次步骤2和步骤3，最终得到第5层SENet结构输出的视觉特征图。
为整合雷达数据和视觉传感器数据，将上述雷达特征提取分支得到的空间注意力矩阵沿视觉特征提取的特征图的所有通道重新加权融合。
采用的加权方法为克罗内克积矩阵运算，将空间注意力矩阵加权到基于SENet的VGG16特征提取网络得到的新特征图，可以加强受曝光影响的目标和微小目标的表达能力，提高水上目标检测网络的性能。
将所述融合特征图输入目标检测网络FasterRCNN，具体步骤包括：
步骤1，将融合特征图输入到ROI池化层；
步骤2，将步骤1得到的特征图连续输入到两个全连接层；
步骤3，将全连接层后的结果传递到softmax分类器和边界回归层，得到分类结果以及回归后的边界框。目标分类采用的损失是交叉熵损失，对边界框回归则采用平滑L1损失。
本发明在雷达特征提取分支上引入空间域注意力机制，将雷达的特征图编码为2D注意力矩阵；在视觉图像特征提取分支上引入基于通道域注意力机制，通过SENet结构改进视觉图像特征提取网络的性能，并获取新特征图；将上述的2D注意力矩阵加权到的视觉图像特征提取网络提取的特征，并将加权融合后的特征传递到目标检测网络FasterRCNN进行回归和分类。本发明可以充分利用雷达和视觉传感器互补的信息，提升网络的精度和目标检测的准确度；有效解决水上目标在图像中权重降低以及微小目标检测性能低的问题。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于双注意力机制多源融合的水上目标检测方法，其特征在于，包括如下步骤：
构建雷达图像生成模型和特征提取模型，并生成2D注意力矩阵；
构建视觉图像特征提取模型，得到视觉特征图；
将所述2D注意力矩阵沿视觉特征图所有通道重新加权，生成融合特征图；
将所述融合特征图输入目标检测网络FasterRCNN。
2.根据权利要求1所述的基于双注意力机制多源融合的水上目标检测方法，其特征在于，所述的构建雷达图像生成模型具体为：
获取雷达和视觉传感器训练数据，再把雷达点云映射到前置摄像头坐标系；
将雷达点云的深度，纵向速度和横向速度转化不同R、G、B通道的真实像素值；
以雷达点云转换为前置摄像头坐标点为圆心，按照一定的渲染规则渲染一个实心圆，得到雷达的训练图像；
通过构建雷达图像特征提取模型来对上述雷达的训练图像进行特征提取并生成对应的特征图。
3.根据权利要求2所述的基于双注意力机制多源融合的水上目标检测方法，其特征在于，渲染得到的所述实心圆的半径为7，所述的渲染规则为：若两个雷达点存在重叠区域，深度较小的应占据更多区域。
4.根据权利要求1所述的基于双注意力机制多源融合的水上目标检测方法，其特征在于，所述的构建雷达图像特征提取模型具体为：
引入ResNet-50的前两个卷积块BasicStem和Block1，前者用于处理输入的雷达图像；后者用于输出特征雷达图像。
5.根据权利要求2所述的基于双注意力机制多源融合的水上目标检测方法，其特征在于，Block1仅引入1个残差块，来改善检测模型的随机梯度下降更新速度。
6.根据权利要求1所述的基于双注意力机制多源融合的水上目标检测方法，其特征在于，所述的生成2D注意力矩阵的具体为：
使用4组具有不同感受野的卷积层来提取空间注意力矩阵，将雷达图像的特征图编码为空间域注意力权重矩阵；并将雷达特征图中的通道数减少到1。
7.根据权利要求1所述的基于双注意力机制多源融合的水上目标检测方法，其特征在于，所述的构建视觉图像特征提取模型，得到视觉特征图，具体包括以下步骤：
步骤1，对原始视觉图像进行尺寸缩放，并将缩放后的图输入VGG16特征提取网络；
步骤2，使用VGG16的卷积模块1提取图像特征；
步骤3，在特征提取网络VGG16每个卷积模块后引入SENet结构；
步骤4，重复5次步骤2和步骤3，最终得到第5层SENet结构输出的视觉特征图。
8.根据权利要求1所述的基于双注意力机制多源融合的水上目标检测方法，其特征在于，将所述2D注意力矩阵沿视觉特征图所有通道重新加权，生成融合特征图，包括：
采用克罗内克积矩阵运算的加权方法，将空间注意力矩阵加权到基于SENet的VGG16特征提取网络得到的新特征图。
9.根据权利要求1所述的基于双注意力机制多源融合的水上目标检测方法，其特征在于，所述将所述融合特征图输入目标检测网络FasterRCNN，包括如下步骤：
步骤1，将融合特征图输入到ROI池化层；
步骤2，将步骤1得到的特征图连续输入到两个全连接层；
步骤3，将全连接层后的结果传递到softmax分类器和边界回归层，得到分类结果以及回归后的边界框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211132614.6A CN115457360A (zh) | 2022-09-17 | 2022-09-17 | 一种基于双注意力机制多源融合的水上目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211132614.6A CN115457360A (zh) | 2022-09-17 | 2022-09-17 | 一种基于双注意力机制多源融合的水上目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115457360A true CN115457360A (zh) | 2022-12-09 |
Family
ID=84305372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211132614.6A Pending CN115457360A (zh) | 2022-09-17 | 2022-09-17 | 一种基于双注意力机制多源融合的水上目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115457360A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109671063A (zh) * | 2018-12-11 | 2019-04-23 | 西安交通大学 | 一种基于深度网络特征间重要性的图像质量评估方法 |
| CN112200161A (zh) * | 2020-12-03 | 2021-01-08 | 北京电信易通信息技术股份有限公司 | 一种基于混合注意力机制的人脸识别检测方法 |
| CN112434745A (zh) * | 2020-11-27 | 2021-03-02 | 西安电子科技大学 | 基于多源认知融合的遮挡目标检测识别方法 |
| CN113033520A (zh) * | 2021-05-25 | 2021-06-25 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及系统 |
| CN113065590A (zh) * | 2021-03-26 | 2021-07-02 | 清华大学 | 一种基于注意力机制的视觉与激光雷达多模态数据融合方法 |
| CN113469050A (zh) * | 2021-07-01 | 2021-10-01 | 安徽大学 | 基于图像细分类的火焰检测方法 |
| CN114359972A (zh) * | 2022-01-13 | 2022-04-15 | 大连理工大学 | 一种基于注意力机制的遮挡行人检测方法 |
| CN114821507A (zh) * | 2022-05-18 | 2022-07-29 | 中国地质大学（北京） | 一种用于自动驾驶的多传感器融合车路协同感知方法 |
| CN114973184A (zh) * | 2022-03-28 | 2022-08-30 | 天津福莱迪科技发展有限公司 | 一种基于改进Faster R-CNN的目标检测算法 |
| CN114998610A (zh) * | 2022-05-25 | 2022-09-02 | 上海高德威智能交通系统有限公司 | 一种目标检测方法、装置、设备及存储介质 |
-
2022
- 2022-09-17 CN CN202211132614.6A patent/CN115457360A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109671063A (zh) * | 2018-12-11 | 2019-04-23 | 西安交通大学 | 一种基于深度网络特征间重要性的图像质量评估方法 |
| CN112434745A (zh) * | 2020-11-27 | 2021-03-02 | 西安电子科技大学 | 基于多源认知融合的遮挡目标检测识别方法 |
| CN112200161A (zh) * | 2020-12-03 | 2021-01-08 | 北京电信易通信息技术股份有限公司 | 一种基于混合注意力机制的人脸识别检测方法 |
| CN113065590A (zh) * | 2021-03-26 | 2021-07-02 | 清华大学 | 一种基于注意力机制的视觉与激光雷达多模态数据融合方法 |
| CN113033520A (zh) * | 2021-05-25 | 2021-06-25 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及系统 |
| CN113469050A (zh) * | 2021-07-01 | 2021-10-01 | 安徽大学 | 基于图像细分类的火焰检测方法 |
| CN114359972A (zh) * | 2022-01-13 | 2022-04-15 | 大连理工大学 | 一种基于注意力机制的遮挡行人检测方法 |
| CN114973184A (zh) * | 2022-03-28 | 2022-08-30 | 天津福莱迪科技发展有限公司 | 一种基于改进Faster R-CNN的目标检测算法 |
| CN114821507A (zh) * | 2022-05-18 | 2022-07-29 | 中国地质大学（北京） | 一种用于自动驾驶的多传感器融合车路协同感知方法 |
| CN114998610A (zh) * | 2022-05-25 | 2022-09-02 | 上海高德威智能交通系统有限公司 | 一种目标检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685842B (zh) | 一种基于多尺度网络的稀疏深度稠密化方法 | |
| CN110738121A (zh) | 一种前方车辆检测方法及检测系统 | |
| Yang et al. | LFRSNet: A robust light field semantic segmentation network combining contextual and geometric features | |
| CN109655019A (zh) | 一种基于深度学习和三维重建的货物体积测量方法 | |
| CN113095172B (zh) | 一种基于深度学习的点云三维物体检测方法 | |
| CN114694011A (zh) | 一种基于多传感器融合的透雾目标检测方法及装置 | |
| CN114332792B (zh) | 基于关键点多尺度融合的立体场景目标检测方法及系统 | |
| CN114821507A (zh) | 一种用于自动驾驶的多传感器融合车路协同感知方法 | |
| CN117274749B (zh) | 一种基于4d毫米波雷达和图像的融合3d目标检测方法 | |
| CN116486368A (zh) | 基于自动驾驶场景下的多模态融合三维目标鲁棒检测方法 | |
| CN116612468A (zh) | 基于多模态融合与深度注意力机制的三维目标检测方法 | |
| CN116486396A (zh) | 一种基于4d毫米波雷达点云的3d目标检测方法 | |
| CN115830265A (zh) | 一种基于激光雷达的自动驾驶运动障碍物分割方法 | |
| CN115953662A (zh) | 一种基于多模式融合识别的列车运行环境障碍物感知方法 | |
| CN116229224A (zh) | 融合感知方法、装置、电子设备及存储介质 | |
| Wang et al. | SAR ship detection in complex background based on multi-feature fusion and non-local channel attention mechanism | |
| CN113989718A (zh) | 面向雷达信号热图的人体目标检测方法 | |
| CN114119694A (zh) | 一种基于改进U-Net的自监督单目深度估计算法 | |
| CN107305252A (zh) | 主动提取目标深度细节的快速成像方法 | |
| CN115457360A (zh) | 一种基于双注意力机制多源融合的水上目标检测方法 | |
| Zhang et al. | FS-net: LiDAR-camera fusion with matched scale for 3D object detection in autonomous driving | |
| CN112233079A (zh) | 多传感器图像融合的方法及系统 | |
| CN114994665A (zh) | 一种毫米波雷达点云分类方法 | |
| CN118334348A (zh) | 一种面向复杂环境重叠目标的3d点云语义分割方法 | |
| WO2024045942A1 (zh) | 环境信息感知方法、装置、系统、计算机设备及存储介质 |
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 |