Recentemente, 3D algoritmi di rilevamento di oggetti basati sulla fusione di radar e telecamere
hanno dimostrato ottime prestazioni, ponendo le basi per la loro applicazione
compiti di percezione della guida autonoma. I metodi esistenti si sono concentrati sulla negoziazione
con disallineamento delle caratteristiche causato dal divario di dominio tra radar e telecamera.
Tuttavia, i metodi esistenti trascurano l'interazione delle caratteristiche intermodali
durante l'allineamento o non riescono ad allineare efficacemente le caratteristiche nello stesso spazio
posizione attraverso le modalità. Per alleviare i problemi di cui sopra, ne proponiamo una nuova
modello di allineamento chiamato Allineamento della telecamera radar (RCAlign). Nello specifico, Noi
progettare un allineamento a doppio percorso (DRA) modulo basato sull'apprendimento contrastivo
allineare e fondere le caratteristiche tra radar e telecamera. Inoltre, considerando il
scarsità di caratteristiche del BEV radar, un miglioramento delle funzionalità radar (RFE) il modulo è
proposto di migliorare la densificazione delle caratteristiche dei BEV radar con la conoscenza
perdita di distillazione. Gli esperimenti dimostrano che RCAlign raggiunge un nuovo stato dell'arte
il punto di riferimento pubblico nuScenes nella fusione di telecamere radar per il rilevamento di oggetti 3D.
Inoltre, l'RCAlign raggiunge un significativo miglioramento delle prestazioni (4.3\% NDS e
8.4\% mappa) nel rilevamento 3D in tempo reale rispetto allo stato dell'arte più recente
metodo (RCBEVDet).
Questo articolo esplora i giri e le loro implicazioni.
Scarica PDF: