卢卡斯·施耐德
人员信息
优化列表
2020年–今天
2024 【j4】 西蒙·多尔 , 尼古拉斯·汉塞尔曼 , 卢卡斯·施耐德 , 理查德·舒尔茨 , 马库斯·恩兹韦勒 , 亨德里克·P·A·伦施 :
S.T.A.R.-跟踪:具有自适应时空外观表示的端到端3D物体跟踪的潜在运动模型。 IEEE机器人自动化。 莱特。 9 ( 2 ) : 1326-1333 ( 2024 ) [i13] 舒晓丁 , 卢卡斯·施耐德 , 马吕斯·科尔茨 , 尤尔根·加尔 :
ADA-Track:具有交替检测和关联的端到端多摄像机3D多目标跟踪。 CoRR公司 abs/2405.08909 ( 2024 ) 2023 [第13条] 舒晓丁 , 艾克·雷德 , 卢卡斯·施耐德 , 马吕斯·科尔茨 , 尤尔根·加尔 :
3DMOTFormer:用于在线3D多对象跟踪的图形转换器。 ICCV公司 2023 : 9750-9760 [i12] 西蒙·多尔 , 尼古拉斯·汉塞尔曼 , 卢卡斯·施耐德 , 理查德·舒尔茨 , 马库斯·恩兹韦勒 , 亨德里克·P·A·伦施 :
S.T.A.R.-跟踪:具有自适应时空外观表示的端到端3D物体跟踪的潜在运动模型。 CoRR公司 腹肌/2306.17602 ( 2023 ) [i11] 舒晓丁 , 艾克·雷德 , 卢卡斯·施耐德 , 马吕斯·科尔茨 , 尤尔根·加尔 :
3DMOTFormer:用于在线3D多对象跟踪的图形转换器。 CoRR公司 abs/2308.06635 ( 2023 ) [i10] 团坝 , 帕斯卡·斯坦格 , 卢卡斯·施耐德 , 乔尼·帕贾利宁 , 卡洛·德埃拉莫 , 奥达尔里克·梅勒德(Odarlic-Ambrym Maillard) :
蒙特卡罗树搜索通过最优传输实现不确定性传播。 CoRR公司 abs/2309.10737 ( 2023 ) [第九章] 卢卡斯·施耐德 , 乔纳斯·弗雷 , 三木高弘 , 马可·赫特 :
使用分布强化学习学习风险感知四足运动。 CoRR公司 abs/2309.14246 ( 2023 ) 2022 [第12条] 舒晓丁 , 艾克·雷德 , 卢卡斯·施耐德 , 马吕斯·科尔茨 , 于尔根·加尔 :
使用基于图形的可学习重复消除的端到端单点探测器。 GCPR公司 2022 : 375-389 [第11条] 西蒙·多尔 , 理查德·舒尔茨 , 卢卡斯·施耐德 , 薇薇安·本辛 , 马库斯·恩兹韦勒 , 亨德里克·P·A·伦施 :
SpatialDETR:基于可缩放变换的鲁棒三维目标检测,基于多视角摄像机图像,具有全局交叉传感器注意力。 ECCV(39) 2022 : 230-245 [第10条] 菲利普·德瑞克 , 卢卡斯·施耐德 , 马吕斯·科尔茨 , 达里奥·加夫里拉 :
面向对象检测的结构知识提取。 NeurIPS公司 2022 [i8] 菲利普·德瑞克 , 卢卡斯·施耐德 , 马吕斯·科尔茨 , 达里奥·加夫里拉(Dariu M.Gavrila) :
面向对象检测的结构知识提取。 CoRR公司 abs/2211.13133 ( 2022 ) 2021 【b1】 卢卡斯·施耐德 :
基于视觉和深度线索的自动驾驶场景理解。 苏黎世理工大学、瑞士苏黎世, 2021 【c9】 卡斯滕·莱肯 , 本杰明·恩格尔 , 卢卡斯·施耐德 :
VR实时运动捕捉。 ICCSE公司 2021 : 144-149 【c8】 蒙蒂·桑塔罗萨 , 卢卡斯·施耐德 , 克劳迪斯·泽伦卡 , 拉尔斯·施马杰 , 莱因哈德·科赫 , 乌韦·弗兰克 :
学习基于Stixel的实例分割。 四、 2021 : 427至434 [i7] 蒙蒂·桑塔罗萨 , 卢卡斯·施耐德 , 克劳迪斯·泽伦卡 , 拉尔斯·施马杰 , 莱因哈德·科赫 , 乌韦·弗兰克 :
学习基于Stixel的实例分割。 CoRR公司 腹肌/2107.03070 ( 2021 ) [i6] 卢卡斯·施奈德 , 约翰·肖尔滕 , 布尔库·桑多尔 , 克劳迪斯·格罗斯 :
绘制闭环集体文化决策:从畅销书和音乐下载到推特标签和Reddit评论。 CoRR公司 abs/2108.00447 ( 2021 )
2010 – 2019
2019 [j3] 丹尼尔·埃尔南德斯·华雷斯 , 卢卡斯·施奈德 , Pau Cebrian公司 , 安东尼奥·埃斯皮诺萨 , 大卫·Vázquez , 安东尼奥·洛佩斯 , 乌韦·弗兰克 , 马克·波利菲 , 胡安·穆雷 :
倾斜笔迹:一种表示陡峭街道的方法。 国际期刊计算。 视觉。 127 ( 11-12 ) : 1643-1658 ( 2019 ) [i5] 丹尼尔·埃尔南德斯·华雷斯 , 卢卡斯·施耐德 , Pau Cebrian公司 , 安东尼奥·埃斯皮诺萨 , 大卫·Vázquez , 安东尼奥·洛佩斯 , 乌韦·弗兰克 , 马克·波利菲 , 胡安·穆雷 :
倾斜Stixels:一种表示陡峭街道的方式。 CoRR公司 abs/1910.01466 ( 2019 ) 2018 [注2] 卢卡斯·施耐德 , 迈克尔·哈夫纳 , 乌韦·弗兰克 :
Stixel世界-用于自动驾驶的交通场景的综合表示。 自动。 66 ( 9 ) : 745-751 ( 2018 ) 【c7】 尼尔斯·盖勒特 , 玛丽娜·梅耶 , 卢卡斯·施耐德 , 乌韦·弗兰克 , 约阿希姆·登茨勒 :
MB-Net:用于实时3D车辆检测的合并框。 智能车辆研讨会 2018 : 2117-2124 2017 [j1] 马吕斯·科尔茨 , 蒂莫·雷菲尔德 , 卢卡斯·施耐德 , 大卫·菲佛 , 马库斯·恩兹韦勒 , 斯特凡·罗斯 , 马克·波利菲 , 乌韦·弗兰克 :
Stixel世界:交通场景的中级表示。 图像可视性。 计算。 68 : 40-52 ( 2017 ) 【c6】 乔纳斯·乌里格 , 尼克·施耐德 , 卢卡斯·施耐德 , 乌韦·弗兰克 , 托马斯·布罗克斯 , 安德烈亚斯·盖革 :
稀疏不变CNN。 三维电视 2017 : 11-20 【c5】 丹尼尔·埃尔南德斯·华雷斯 , 卢卡斯·施耐德 , 安东尼奥·埃斯皮诺萨 , 胡安·穆尔 , 大卫·Vázquez , 安东尼奥·洛佩斯 , 乌韦·弗兰克 , 马克·波利菲 :
倾斜尖顶:代表旧金山最陡峭的街道。 BMVC公司 2017 【c4】 卢卡斯·施耐德 , 曼纽尔·贾许 , 比约恩·弗罗里希 , 托马斯·韦伯 , 乌韦·弗兰克 , 马克·波利菲 , 马提亚斯·拉奇 :
多模态神经网络:RGB-D用于语义分割和对象检测。 SCIA(1) 2017 : 98-109 [i4] 马吕斯·科尔茨 , 蒂莫·雷菲尔德 , 卢卡斯·施耐德 , 大卫·菲佛 , 马库斯·恩兹韦勒 , 斯特凡·罗斯 , 马克·波利菲 , 乌韦·弗兰克 :
Stixel世界:交通场景的中级表示。 CoRR公司 abs/1704.00280 ( 2017 ) [i3] 丹尼尔·埃尔南德斯·华雷斯 , 卢卡斯·施耐德 , 安东尼奥·埃斯皮诺萨 , 大卫·Vázquez , 安东尼奥·洛佩斯 , 乌韦·弗兰克 , 马克·波利菲 , 胡安·穆尔 :
倾斜尖顶:代表旧金山最陡峭的街道。 CoRR公司 abs/1707.05397 ( 2017 ) [i2] 乔纳斯·乌里格 , 尼克·施耐德 , 卢卡斯·施耐德 , 乌韦·弗兰克 , 托马斯·布罗克斯 , 安德烈亚斯·盖革 :
稀疏不变CNN。 CoRR公司 abs/1708.06500 ( 2017 ) 2016 【c3】 尼克·施耐德 , 卢卡斯·施耐德 , 彼得·平杰拉 , 乌韦·弗兰克 , 马克·波利菲 , 克里斯托夫·斯蒂勒 :
语义引导深度上采样。 GCPR公司 2016 : 37-48 【c2】 卢卡斯·施耐德 , 马吕斯·科尔茨 , 蒂莫·雷菲尔德 , 大卫·菲佛 , 马库斯·恩兹韦勒 , 乌韦·弗兰克 , 马克·波利菲 , 斯特凡·罗斯 :
语义Stixels:深度不够。 智能车辆研讨会 2016 : 110-117 [i1] 尼克·施奈德 , 卢卡斯·施耐德 , 彼得·平格拉 , 乌韦·弗兰克 , 马克·波利菲 , 克里斯托夫·斯蒂勒 :
语义引导深度上采样。 CoRR公司 abs/1608.00753 ( 2016 ) 2014 【c1】 马吕斯·科尔茨 , 卢卡斯·施耐德 , 马库斯·恩兹韦勒 , 乌韦·弗兰克 , 斯特凡·罗斯 :
Stixel生成的对象级优先级。 GCPR公司 2014 : 172-183