中小型企业网站建设与推广,重庆网站建设方案书,广州建设技术职业学院学费,南昌定制网站开发多少钱1.HDMapNet 整体的网络架构如图所示#xff0c;最终的Decoder输出三个分支#xff0c;一个语义分割#xff0c;一个embedding嵌入分支#xff0c;一个方向预测。然后通过后处理将这些信息处理成向量化的道路表示。
img2bev的方式之前有IPM#xff0c;通过假设地面的高度都…1.HDMapNet 整体的网络架构如图所示最终的Decoder输出三个分支一个语义分割一个embedding嵌入分支一个方向预测。然后通过后处理将这些信息处理成向量化的道路表示。
img2bev的方式之前有IPM通过假设地面的高度都为0来完成转换但是因为存在地面倾斜和车的颠簸我们并不能保证车道线被正确投影到BEV上。而LSS的话由于没有显式的深度作为监督所以效果也不是很好。这里我们采用VPN的方式使用全连接网络来学习如何进行视角变换。
埋坑这里的后处理是如何进行一个向量化的道路表示
2.MapTR
使用纯相机来生成在线高精地图img2bev使用的地平线提出的GKT方法对于BEV query先通过内外参得到其在图像上的先验位置(可能对应多张图)并提取附近w*h核区域的特征然后和bev query做交叉注意力机制。 3.SuperFusion
采用多层级的图像点云特征融合来做。
首先是数据层面的融合先将点云投影到图像然后稀疏深度与图像进行concate同时利用双线性插值得到密集深度图对LSS的深度估计进行监督。
特征层面的融合将点云的BEV特征作为Q去查询图像的特征做cross-attention得到新的BEV特征并通过一系列的卷积融合。得到点云BEV最终特征。
BEV层面的融合将图像特征通过LSS转到BEV后与点云BEV特征融合但是由于内外参以及深度估计误差所以直接concate会导致特征对不齐。所以它先concate然后学习一个flow field根据据flow field对图像BEV特征进行重新计算(每个位置一个流动方向然后双线性插值得到流动后的特征来作为当前图像BEV特征)然后再将两者concate。 4.MachMap
