Kürzlich, 3D-Objekterkennungsalgorithmen basierend auf Radar- und Kamerafusion
haben hervorragende Leistungen gezeigt, die Voraussetzungen für ihre Bewerbung schaffen
Wahrnehmungsaufgaben beim autonomen Fahren. Bestehende Methoden haben sich auf den Handel konzentriert
mit Merkmalsfehlausrichtung, die durch die Domänenlücke zwischen Radar und Kamera verursacht wird.
Jedoch, Bestehende Methoden vernachlässigen entweder die Interaktion intermodaler Merkmale
Während der Ausrichtung kann es zu Störungen kommen oder es gelingt nicht, Merkmale effektiv im gleichen Raum auszurichten
Standort über Modalitäten hinweg. Um die oben genannten Probleme zu lindern, Wir schlagen ein neues vor
Ausrichtungsmodell namens Radar Camera Alignment (RCAlign). Speziell, Wir
Entwerfen Sie eine Dual-Route-Ausrichtung (DRA) Modul basierend auf kontrastivem Lernen zu
Richten Sie die Funktionen zwischen Radar und Kamera aus und verschmelzen Sie sie. Darüber hinaus, unter berücksichtigung der
Spärlichkeit der Radar-BEV-Funktionen, eine Verbesserung der Radarfunktion (RFE) Modul ist
vorgeschlagen, mit diesem Wissen die Verdichtung von Radar-BEV-Merkmalen zu verbessern
Destillationsverlust. Experimente zeigen, dass RCAlign einen neuen Stand der Technik erreicht
der öffentliche nuScenes-Benchmark in der Radarkamerafusion für die 3D-Objekterkennung.
Außerdem, Der RCAlign erzielt einen deutlichen Leistungsgewinn (4.3\% NDS und
8.4\% Karte) in Echtzeit-3D-Erkennung im Vergleich zum neuesten Stand der Technik
Verfahren (RCBEVDet).

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: