在即將舉行的計(jì)算機(jī)視覺(jué)國(guó)際頂級(jí)會(huì)議CVPR 2022中，飛步科技被錄用了三篇高水平論文，涉及車(chē)道線(xiàn)檢測(cè)、3D目標(biāo)檢測(cè)、少樣本分類(lèi)等與無(wú)人駕駛密切相關(guān)的技術(shù)方向。以下為入選論文介紹。
基于跨層優(yōu)化的車(chē)道線(xiàn)檢測(cè)方法
掃碼關(guān)注公眾號(hào)，隨時(shí)了解最新資訊
基于跨層優(yōu)化的車(chē)道線(xiàn)檢測(cè)方法
CLRNet: Cross Layer Refinement Network for Lane Detection
車(chē)道線(xiàn)檢測(cè)是無(wú)人駕駛系統(tǒng)感知模塊的重要功能，由搭載在車(chē)身上的視覺(jué)攝像頭來(lái)完成，感知結(jié)果常用來(lái)進(jìn)行輔助定位。車(chē)道線(xiàn)檢測(cè)需要有高層次的語(yǔ)義信息，但車(chē)道線(xiàn)特征相對(duì)簡(jiǎn)單，需要有低層次的特征來(lái)精確定位。并且在港口、城市道路等真實(shí)場(chǎng)景中，車(chē)道線(xiàn)經(jīng)常存在破損、被遮擋等情況。
為了解決上述問(wèn)題，CLRNet提出了一種結(jié)合高層次和低層次特征的網(wǎng)絡(luò)結(jié)構(gòu)，一方面可以感知環(huán)境信息，聚集全局特征，另一方面也能結(jié)合局部的信息精準(zhǔn)定位車(chē)道線(xiàn)。并且文章提出一種全新的線(xiàn)段交并比損失函數(shù)，進(jìn)一步提升了車(chē)道線(xiàn)的定位精度。簡(jiǎn)而言之，CLRNet可以幫助無(wú)人駕駛系統(tǒng)進(jìn)行更類(lèi)人的判斷，精準(zhǔn)“修補(bǔ)”出因?yàn)檎趽鹾推茡p而消失的車(chē)道線(xiàn)。
如下圖所示，相比于其他方法，CLRNet可以檢測(cè)出完整而連續(xù)的車(chē)道線(xiàn)。大量實(shí)驗(yàn)證明，論文提出的方法取得了遠(yuǎn)超越當(dāng)前最先進(jìn)方法的性能表現(xiàn)。
論文地址：https://arxiv.org/abs/2203.10350
基于互中心化學(xué)習(xí)的少樣本分類(lèi)方法
Learning to Affiliate: Mutual Centralized Learning for Few-shot Classification
對(duì)于神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，需要大量的樣本數(shù)據(jù)來(lái)進(jìn)行學(xué)習(xí)。現(xiàn)階段，無(wú)人駕駛系統(tǒng)依靠大數(shù)據(jù)來(lái)進(jìn)行模型學(xué)習(xí)，并盡可能在較少的樣本中去做出分類(lèi)。傳統(tǒng)的方法傾向于使用一個(gè)全局特征來(lái)密集地表示圖像，而不是使用混合的局部特征。但在實(shí)際的無(wú)人駕駛作業(yè)場(chǎng)景中，這樣的方法存在著天然的局限性，例如前方車(chē)輛車(chē)窗掛出了樹(shù)枝，但無(wú)人駕駛系統(tǒng)可能會(huì)將車(chē)輛誤檢為一棵樹(shù)。
針對(duì)上述問(wèn)題，論文提出了一種全新的互中心化的學(xué)習(xí)(MCL)方法，來(lái)更加密切地關(guān)聯(lián)圖像局部特征的稠密表示，針對(duì)上述Corner Case有著很好的效果。具體而言，論文假設(shè)每個(gè)局部特征是一個(gè)可以在離散特征空間中雙向游走的粒子，提出使用局部特征的可達(dá)性進(jìn)行分類(lèi)任務(wù)。論文證明這種方法與關(guān)系網(wǎng)絡(luò)中的中心性存在緊密的聯(lián)系，且可以通過(guò)修改局部特征在全局池化中的權(quán)重來(lái)得到更加魯棒的特征表示。經(jīng)過(guò)實(shí)驗(yàn)證明，論文方法在各個(gè)少樣本分類(lèi)的數(shù)據(jù)集上達(dá)到了最優(yōu)的效果。
論文地址：https://arxiv.org/abs/2106.05517
基于稀疏融合稠密范式的多模態(tài)3D檢測(cè)方法
Sparse Fuse Dense: Towards High Quality 3D Detection with Depth Completion
無(wú)人駕駛系統(tǒng)中，基于純點(diǎn)云的感知方案，對(duì)于遮擋及遠(yuǎn)距離的物體往往很難給出準(zhǔn)確的檢測(cè)結(jié)果，因?yàn)檫@些物體表面的點(diǎn)云通常非常稀疏。
一種可行的解決方案是將點(diǎn)云和高分辨率的圖像進(jìn)行融合，以此來(lái)緩解點(diǎn)云稀疏性的問(wèn)題。但由于圖像和點(diǎn)云的數(shù)據(jù)格式不同，將二者融合并不容易。
論文提出了一種新穎的多模態(tài)3D檢測(cè)框架SFD（Sparse Fuse Dense），其利用深度補(bǔ)全將2D圖片轉(zhuǎn)換成3D偽點(diǎn)云，從而統(tǒng)一了圖像和雷達(dá)點(diǎn)云的數(shù)據(jù)表達(dá)方式。這使得多模態(tài)方法可以使用更精細(xì)的RoI融合策略以及更豐富的數(shù)據(jù)增強(qiáng)。為了充分挖掘偽點(diǎn)云的信息，論文還為偽點(diǎn)云定制了一個(gè)高效的卷積。
論文提出的方法有效地彌補(bǔ)了激光雷達(dá)的不足，提升了自動(dòng)駕駛車(chē)輛對(duì)于場(chǎng)景的理解能力，增強(qiáng)了遮擋和遠(yuǎn)距離物體的感知召回率。在KITTI數(shù)據(jù)集的3D目標(biāo)檢測(cè)任務(wù)上，論文提出的方法取得了排名第一的成績(jī)。
論文地址：https://arxiv.org/abs/2203.09780
掃碼關(guān)注公眾號(hào)，隨時(shí)了解最新資訊
