计算机科学 > 计算机视觉与模式识别
[提交于 2025年7月22日
]
标题: SDGOCC:用于3D多模态占用预测的语义和深度引导的鸟瞰图变换
标题: SDGOCC: Semantic and Depth-Guided Bird's-Eye View Transformation for 3D Multimodal Occupancy Prediction
摘要: 多模态3D占用预测因其在自动驾驶中的潜力而受到广泛关注。 然而,大多数现有方法是单模态的:基于相机的方法缺乏深度信息,而基于LiDAR的方法则难以处理遮挡问题。 当前轻量级方法主要依赖于Lift-Splat-Shoot(LSS)流程,该流程存在深度估计不准确的问题,并且未能充分利用3D LiDAR点的几何和语义信息。 因此,我们提出了一种名为SDG-OCC的新型多模态占用预测网络,该网络结合了联合语义和深度引导的视角变换以及融合到占用驱动的主动蒸馏。 增强的视角变换通过整合像素语义和共点深度信息,利用扩散和双线性离散化构建准确的深度分布。 融合到占用驱动的主动蒸馏从多模态数据中提取丰富的语义信息,并根据LiDAR识别的区域,有选择地将知识转移到图像特征中。 最后,为了获得最佳性能,我们引入了SDG-Fusion,它仅使用融合,以及SDG-KL,它结合了融合和蒸馏以实现更快的推理。 我们的方法在Occ3D-nuScenes数据集上实现了实时处理的最先进(SOTA)性能,并在更具挑战性的SurroundOcc-nuScenes数据集上表现出可比的性能,证明了其有效性和鲁棒性。 代码将在https://github.com/DzpLab/SDGOCC发布。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.