UniTR

多模态变换器网络推动3D感知进展

UniTR是一种新型统一多模态变换器网络,用于3D感知任务。它通过共享权重处理相机和激光雷达等多传感器数据,实现高效多模态融合。在nuScenes数据集上,UniTR在3D目标检测和BEV地图分割任务中均达到最新水平,且降低推理延迟。该研究为提升自动驾驶系统的感知能力提供了新思路。

访问官网

Github

论文

介绍相关项目

bevfusion - 具有统一鸟瞰图表示的多任务多传感器融合

3D目标检测BEVFusionGithub多传感器融合开源项目自主驾驶鸟瞰图表示

BEVFusion是一个有效的多任务多传感器融合框架，通过在共享的鸟瞰视角表示空间中统一多模态特征，解决了传统点级融合方法的局限性。其优化的视角转换和显著降迟特性使其在各种3D感知任务中表现出色。该框架在提升3D物体检测和BEV图分割性能的同时，大幅降低计算成本，树立了新行业标杆。

BEVFormer - 多摄像头鸟瞰图学习框架助力自动驾驶感知

BEVFormerGithub多相机感知开源项目目标检测自动驾驶鸟瞰图表示

BEVFormer是一个用于自动驾驶感知的开源框架,通过时空Transformer从多摄像头图像中学习统一的鸟瞰图表示。该方法利用预定义的网格查询,结合空间交叉注意力和时间自注意力机制,有效聚合多视角的空间和时序信息。在nuScenes测试集上,BEVFormer达到56.9%的NDS指标,显著超越现有方法,与激光雷达系统性能相当。这一创新为基于纯视觉的3D目标检测提供了新的基准。

MapTR - 在线向量化高精度地图快速构建框架

GithubMapTR人工智能开源项目模型自动驾驶高精地图

MapTR是一款高效准确的在线向量化高精度地图构建框架，可应用于自动驾驶系统的复杂场景中。该框架采用统一的置换等效建模方法，结合分层查询嵌入和双向匹配策略，提高了学习过程的稳定性，具备实时推理能力，并在nuScenes和Argoverse2数据集中表现出色。MapTR支持多种地图元素，具备良好的扩展性和灵活性。最新版本MapTRv2提升了性能和收敛速度，并引入了额外的语义中心线，进一步优化下游规划需求。

Uni3D - 突破性统一3D表示学习框架

3D表示GithubUni3D开源项目点云零样本分类预训练

Uni3D是一个创新的3D预训练框架,致力于大规模3D表示学习。该框架采用2D预训练模型初始化,通过端到端训练实现3D点云与图像-文本特征对齐。Uni3D凭借简洁架构和高效预训练,成功将模型规模扩展至10亿参数,在多项3D任务中取得突破性进展,展现了将2D深度学习优势迁移至3D领域的巨大潜力。

PETR - 多视角3D感知框架目标检测与BEV分割的统一解决方案

3D目标检测GithubPETRv2nuScenes数据集位置嵌入多视图感知开源项目

PETR是一个多视角3D感知框架,通过位置嵌入变换将3D坐标信息编码到图像特征中。其升级版PETRv2引入时序建模,支持目标检测和BEV分割。该框架在nuScenes数据集上展现了出色性能,为3D感知研究提供了有力基线。此外,PETR还支持3D车道线检测,相关工作在CVPR 2023工作坊中获得第一名。

BEVFormer_tensorrt - BEVFormer和BEVDet的TensorRT高效部署方案

BEV 3D DetectionGPU内存优化GithubTensorRT开源项目推理加速量化

本项目实现BEVFormer和BEVDet在TensorRT上的高效部署，支持FP32/FP16/INT8推理。通过优化TensorRT算子，BEVFormer base模型推理速度提升4倍，模型大小减少90%，GPU内存节省80%。同时支持MMDetection中2D目标检测模型的INT8量化部署。项目提供详细基准测试，展示不同配置下的精度和速度表现。

transfuser - 创新传感器融合技术助力自动驾驶进步

CARLAGithubTransFuser传感器融合开源项目深度学习自动驾驶

TransFuser项目采用Transformer架构实现多模态传感器数据融合，显著提高自动驾驶系统性能。该方法在CARLA自动驾驶基准测试中表现出色，为端到端自动驾驶提供了新思路。项目开源代码、数据集和预训练模型，便于研究者进行复现和深入研究。

MTR - 自动驾驶多模态运动预测的先进框架

GithubMotion TransformerWaymo数据集多模态运动预测开源项目神经网络自动驾驶

MTR项目是一个创新的多模态运动预测框架，专为自动驾驶场景设计。它通过全局意图定位和局部运动细化的联合优化来进行运动预测，采用可学习的运动查询对处理不同的运动模式。在Waymo开放运动数据集的评测中，MTR在边缘和联合运动预测任务上均表现出色，位居排行榜首位。该框架以其简洁性、高效性和准确性为自动驾驶领域的多模态运动预测提供了一个有力的基准。

MetaTransformer - 统一12种模态的多模态学习框架

GithubMeta-Transformer人工智能多模态学习开源项目深度学习计算机视觉

Meta-Transformer是一个创新的多模态学习框架，可处理12种不同模态的数据，包括自然语言、图像、点云和音频等。该框架采用共享编码器架构和数据到序列转换方法，支持分类、检测和分割等多种任务。项目提供开源预训练模型和代码实现，为多模态AI研究提供了有力支持。

ULIP - 多模态预训练框架实现3D数据理解

3D理解GithubULIP多模态预训练开源项目点云分类零样本分类

ULIP是一种多模态预训练框架，集成了语言、图像和点云数据以增强3D理解能力。该框架适用于多种3D骨干网络，如Pointnet2和PointBERT等，无需增加处理延迟。ULIP-2在此基础上进行了扩展，提高了预训练的可扩展性。项目开源了预训练模型、数据集和使用指南，为3D数据分析奠定了基础。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com