MCHFormer: A Multi-Cross Hybrid Former of Point-Image for 3D Object Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mismatch often occurs between local and global information in multimodal data during downscaling transformation, which results in the loss of localization information. A Multi-Cross Hybrid Former (MCHFormer) of point-image is proposed for 3D object detection in autonomous driving, which cross-fuses LiDAR with cameras at multiple levels. Specifically, the voxelized point cloud is firstly extracted through a Dual-Stream Feature Extraction (DSFE) network. Local fine-grained area information is integrated into the global feature information, which results in a multi-layered Bird's Eye View (BEV). Meanwhile, the raw coordinates of points are incorporated into point-wise features through position coding. Then, point features are projected onto image and BEV features to obtain highly coupled multimodal information, which achieves alignment of point cloud with image information. Finally, a multi-cross Transformer fuses multiple unimodal data into a hybrid representation with more spatial awareness, which achieves accurate 3D object detection. MCHFormer are conducted extensive comparative experiments with other State-Of-The-Art (SOTA) algorithms on the KITTI, NuScenes, Waymo datasets and real road scenes. Experimental results show that the proposed algorithm not only has better accuracy and generalization capability, but also has accurate detection effect on real road scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle