2018-11-26 馬斯克：只憑一個攝像頭，3D目標檢測成績也能媲美鐳射雷達

link

2018-11-18 邊界框，分割與目標座標軸：論自動駕駛場景中識別對於3D場景流估計的重要性

連結
標題：Bounding boxes, Segmentations and Object Coordinates: How Important is Recognition for 3D Scene Flow Estimation in Autonomous Driving Scenarios?

作者：Aseem Behl, Omid Hosseini Jafari, Siva Karthik Mustikovela, Hassan Abu Alhaija, Carsten Rother, Andreas Geiger.

來源：International Conference on Computer Vision (ICCV 2017)

現有的3D場景流估計方法通常難以應對較大位移與區域性模糊等情況，例如缺乏紋理或者反射率較高的表面。然而這些挑戰在本工作重點研究的動態道路場景中頻繁出現。我們主要的貢獻在於通過挖掘識別技術來解決這類3D運動估計問題。我們特別關注識別粒度的重要性，從2D例項分割估計得到的粗粒度2D包絡框到細粒度3D物體部分的預測。我們藉助一個由新標記的雙目資料集訓練得到的CNN網路來計算這些線索，並將其整合到一個用於魯棒3D場景流估計的基於CRF的模型中，我們稱此方法為直接場景流。我們在消融學習中分析每種識別線索的重要性並發現在我們的設定中，例項分割線索是目前最強壯的。我們在KITTI 2015具有挑戰性的場景流基準上驗證了我們方法的有效性，並且達到了目前業界最新效果標準。

2018-10-15 三維深度學習中的目標分類與語義分割

連結

在過去的幾年中，基於RGB的深度學習已經在目標分類與語義分割方面取得了非常好的效果，也促進了很多技術的發展，深度學習在現實生活中的應用也越來越多。但是在很多實際應用中，例如自動駕駛中，只使用RGB資訊是遠遠不夠的，因為我們不僅僅想要知道周圍有什麼物體，還想要知道物體具體的三維資訊（位置，運動狀態等），因此，三維方面的深度學習也逐漸發展了起來並取得了不錯的效果。