摘要：
1环境安装 碰到问题1： OSError: /home/jim/anaconda3/envs/beverse/lib/python3.7/site-packages/torch/lib/../../nvidia/cublas/lib/libcublas.so.11: symbol cublasLtG 阅读全文
摘要：
1、进入~/.config/JetBrains,删除对应Pycharm包 2、淘宝购买永久解密包，将Linux包解压到桌面，右键打开终端 3、依次执行命令：chmod +x scripts/install.sh ./scripts/install.sh 出现success 4、点击linux中Act 阅读全文
摘要：
Traceback (most recent call last): File "./tools/create_data.py", line 10, in <module> from data_converter import indoor_converter as indoor File "/wo 阅读全文
摘要：
一般情况下，GPU训练时如果出现以下报错，一般都不方便排查，如：a.merge_sort: failed to synchronize: device-side assert triggeredb.RuntimeError: cublas runtime error : the GPU progra 阅读全文
摘要：
论文地址： https://arxiv.org/pdf/2211.17111.pdf arxiv.org/pdf/2211.17111.pdf 代码地址： GitHub - HuangJunJie2017/BEVDet: Official code base of the BEVDet serie 阅读全文
摘要：
通过显式和隐式的Occupancy预测来做3D检测，用Occupancy弥补了深度图的局限性。设计了3D几何分支和特征传播分支，预测depth-occupancy权重来实现3D检测，由于点级Occupancy的构建依赖于bbox，使整个感知模型与检测任务强相关。 Abstract 传构建BEV表示的 阅读全文
摘要：
仅使用卷积！BEVENet：实时BEV3D检测网络（主打实时性+高精度） BEV空间中的3D检测已成为自动驾驶领域中非常流行的方法，各大公司都在抢占使用。尽管与透视法相比，BEV已有较大改进，但在现实世界的自动驾驶汽车中部署基于BEV的技术仍然具有挑战性。这主要是由于它们依赖于基于视觉transfo 阅读全文
摘要：
arXiv上传于2022年5月26日论文“BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird’s-Eye View Representation“，来自MIT韩松团队的工作报告。 代码将开源 https://github.com/m 阅读全文
摘要：
原论文：MatrixVT: Efficient Multi-Camera to BEV Transformation for 3D Perception 来自：CVPR2022，旷视科技，Submission-2022.11 针对目前BEV中更有优势的Lift-Splat类方法中关键模块（Vision 阅读全文
摘要：
文章arxiv：https://arxiv.org/pdf/2205.13790.pdf 代码已开源：https://github.com/ADLab-AutoDrive/BEVFusion 1 背景简介 感知模块（如3D BBox检测，3D语义分割）一直是自动驾驶系统里最重要的环节之一，为了达到足 阅读全文
摘要：
参考链接：单应性变换与仿射变换 浅谈旋转矩阵和平移向量的计算原理 一、齐次坐标 (1)从普通坐标转换成齐次坐标时 如果(x,y,z)是个点，则变为(x,y,z,1); 如果(x,y,z)是个向量，则变为(x,y,z,0) (2)从齐次坐标转换成普通坐标时 如果是(x,y,z,1)，则知道它是个点，变 阅读全文
摘要：
逆矩阵Cuda不支持，只能手动实现 import torch from torch.linalg import det def cof1(M,index): zs = M[:index[0]-1,:index[1]-1] ys = M[:index[0]-1,index[1]:] zx = M[in 阅读全文
摘要：
SC-Depth系列。 SCDepthV1 之前的单目深度估计网络的重投影损失，更多的是利用前后帧的颜色误差进行约束，得到了比较精确的结果。但它们基本上都有一个共性问题：深度值不连续！连续几张图像之间的深度值不连续！也就是说，在不同的帧上产生尺度不一致的预测，因为它们承受了每帧图像的尺度不确定性。这 阅读全文
摘要：
本文介绍了一种新的相机-激光雷达融合方法，称为“Lift Attented Splat”，该方法完全绕过单目深度估计，而是使用简单的transformer在BEV中选择和融合相机和激光雷达特征。证据表明，与基于Monocular深度估计的方法相比，本文的方法显示出更好的相机利用率，并提高了物体检测性 阅读全文