CRN是2023年3月进入了NuScenes的排行榜,达到了57.5%mAP,62.4%NDS,领先于当时所有基于camera和camera-radar的目标检测方法。 整体网络结构如上图,主要流程分为两步,首先,利用radar数据作辅助将图像信息转换到BEV空间,其次,通过多模态特征聚合模块对radar和图像的BEV特征进行融合,后续进行相应的检测、跟踪或分割等任务。
Hence, fusing camera with low-cost radar, which provides precise long-range measurement and operates reliably in all environments, is promising but has not yet been thoroughly investigated. In this paper, we propose Camera Radar Net (CRN), a novel camera-radar fusion framework that generates a ...
CRN_demo.mp4 CRN: Camera Radar Net for Accurate, Robust, Efficient 3D Perception Youngseok Kim, Juyeb Shin, Sanmin Kim, In-Jae Lee,Jun Won Choi,Dongsuk Kum ICCV 2023 Abstract In this paper, we propose Camera Radar Net (CRN), a novel camera-radar fusion framework that generates a semant...
尽管Radar传感器广泛应用于车辆,但很少有研究关注Radar和Camera的数据融合,原因之一是雷达输出数据的局限性,如低分辨率、稀疏的点云、不确定性和杂波效应。另一个原因是,到目前为止,包含自动驾驶应用的雷达和摄像头数据的数据集还不够,这使得研究人员难以进行深入分析。 此外,由于激光雷达传感器和雷达传感器之间点云的固...
31 CramNet 2022 Object Detection 3D box Range-Azimuth Tensor Feature Level RADIATE 32 MVFusion 2023 Object Detection 3D box Point Cloud Feature Level nuScenes 33 CRN 2023 Object Detection 3D box Point Cloud Feature Level nuScenes Radar-Camera Detection 2022 - Detecting Darting Out Pedestrians ...
RRPN仅依靠雷达检测来提出感兴趣区域(RoI),其速度极快,同时仍能实现比选择性搜索算法更高的精度和召回率。在Radar TrackNet中,作者利用从多个帧收集的雷达点云来检测和跟踪道路使用者。他们的方法中的雷达特征提取是基于PointNet++和FPN的,结果表明,多普勒速度是雷达目标探测的关键信息。
RRPN仅依靠雷达检测来提出感兴趣区域(RoI),其速度极快,同时仍能实现比选择性搜索算法更高的精度和召回率。在Radar TrackNet中,作者利用从多个帧收集的雷达点云来检测和跟踪道路使用者。他们的方法中的雷达特征提取是基于PointNet++和FPN的,结果表明,多普勒速度是雷达目标探测的关键信息。