-
Lift, Splat, Shoot图像BEV安装与模型详解
左侧6帧图像为不同的相机帧，右侧为BEV视角下的分割与路径规划结果 由于本人才疏学浅，解析中难免会出现不足之处，欢迎指正、讨论，有好的建议或意见都可以在评论区留言。谢谢大家！
专栏地址：https://blog.csdn.net/qq_41366026/category_11640689.html?spm=1001.2014.3001.5482
1 前言
计算机视觉算法通常使用图像是作为输入并输出预测的结果，但是对结果所在的坐标系却并不关心，例如图像分类、图像分割、图像检测等任务中，输出的结果均在原始的图像坐标系中。因此这种范式不能很好的与自动驾驶契合。
在自动驾驶中，多个相机传感器的数据一起作为输入，这样每帧图像均在自己的坐标系中；但是感知算法最终需要在车辆自身坐标系（ego coordinate）中输出最终的预测结果；并提供给下游的规划任务。
当前也有很多简单、使用的方法用于扩展单帧图像到多视角图像的方法。简单实用的有来自所有相机的每一帧图像均进行目标检测
-
相关阅读:
从数据到AI，B2B迎来「拐点时刻」
3.10 haas506 2.0开发教程-example-TFT
正则表达式笔记
【黑马程序员】Python文件、异常、模块、包
【Java】NIO概述
React18入门（第二篇）——React18+Ts项目配置husky、eslint、pretttier、commitLint
LLVM学习笔记（59)
基于Google大型分布式系统的网格化实战
Qtcreator console 中文 乱码
面向车路协同路侧设备运维管理平台研究
- 原文地址：https://blog.csdn.net/qq_41366026/article/details/133840315