近年来，基于 Lift-Splat-Shot（LSS）的三维目标检测方法取得了显著进展。然而，深度估计不准仍是制约纯视觉及多模态三维检测模型精度的关键瓶颈，尤其在深度突变区域（即“深度跳变”问题）。本文提出了一种新颖的边缘感知 Lift-Splat-Shot（EA-LSS）框架。具体而言，我们设计了边缘感知深度融合（EADF）模块来缓解“深度跳变”问题，并引入细粒度深度（FGD）模块进一步加强对深

PillarNeXt论文阅读

PKD论文阅读

SSN论文阅读

PointPillars论文阅读

越来越多的研究工作将激光雷达（LiDAR）与摄像头信息进行融合，以提升自动驾驶系统的三维目标检测性能。近期，一种简单而高效的融合框架在三维目标检测上取得了优异的性能，该框架在统一的鸟瞰图（BEV, Bird’s-Eye-View）空间中融合了激光雷达与摄像头特征。本文提出了一种名为 SimpleBEV 的激光雷达-摄像头融合框架，用于高精度的三维目标检测。该方法遵循基于 BEV 的融合范式，并分别

提高几乎任何机器学习算法性能的一个非常简单的方法是在相同的数据上训练许多不同的模型，然后对它们的预测进行平均[Ensemble methods in machine learning]。不幸的是，使用整个模型集合进行预测是很麻烦的，而且计算开销太大，不允许部署到大量用户，尤其是如果单个模型是大型神经网络。[Model compression]已经表明，将集合中的知识压缩到一个更容易部署的单一模型是

VoxelNet论文阅读

3DSSD论文阅读

提高几乎任何机器学习算法性能的一个非常简单的方法是在相同的数据上训练许多不同的模型，然后对它们的预测进行平均[Ensemble methods in machine learning]。不幸的是，使用整个模型集合进行预测是很麻烦的，而且计算开销太大，不允许部署到大量用户，尤其是如果单个模型是大型神经网络。[Model compression]已经表明，将集合中的知识压缩到一个更容易部署的单一模型是