高效高阶条件随机场的语义三维占据地图
本文提出了一种高效而健壮的技术,实现了 3D 室内场景的即时密集语义分割和重建,该方法基于高效的超体素聚类方法和来自结构和对象线索的高阶约束的条件随机场,无需预先计算即可进行渐进式密集语义分割。通过对 SceneNN 和 ScanNet 数据集中的不同室内场景进行广泛评估,证明了该技术在定性和定量实验中始终能够产生最先进的分割结果。
Apr, 2018
通过提出一种新的 3D Occupancy 表示法 (OccNet),并在 nuScenes 数据集上建立了 OpenOcc,我们方法能够有效地为多个驾驶任务提供有力的支持,并取得了显著的性能收益,例如运动规划可以实现 15%-58%的碰撞率降低。
Jun, 2023
本研究提出了一种新的 3D 占据预测任务,旨在从多视图图像中估计对象的详细占据和语义信息,并介绍了 Coarse-to-Fine Occupancy (CTF-Occ) 网络模型,该模型在 3D 占据预测任务中表现出优越的性能。
Apr, 2023
本文提出了一种基于三维激光雷达测距扫描和神经网络对语义信息进行提取的建图及定位方法,实现了对运动物体的有效滤波和语义信息约束下的扫描匹配,与现有基于几何约束的方法相比,实验结果表明其性能更优。
May, 2021
本文提出了一种数据驱动的方法,利用计算机视觉技术从聚类的雷达数据中学习用于占据栅格映射的逆传感器模型,将问题转化为语义分割任务,并演示了我们的学习占据网模型的表现优于传统方法,具有广泛的应用前景。
Mar, 2019
自动驾驶车辆中,实时理解自身车辆周围的三维环境至关重要。本文介绍一种从前视二维相机图像和 LiDAR 扫描中提取特征并使用稀疏卷积网络(Minkowski Engine)进行三维语义占用预测的方法,以解决实时应用中的高计算需求和稀疏场景完整性的问题。
Mar, 2024
本文提出了一种基于贝叶斯方法的连续三维语义占用地图构建方法,通过对贝叶斯内核推理模型的推广,从二进制问题到多类问题,实现了统一的概率模型和采用贝叶斯空间内核推理来提高地图构建的性能,同时在多序列数据上得到了较好的效果。
Sep, 2019
本研究介绍了 SEGCloud,一种利用三线性插值和完全连接条件随机场等方式得到端到端三维点级分割的框架,可实现对室内和室外三维数据集进行准确的场景标注。
Oct, 2017
我们介绍了一种在线的二维到三维语义实例映射算法,旨在生成适用于非结构化环境中的自主代理的全面、准确且高效的语义三维地图。该方法基于最近算法中使用的 Voxel-TSDF 表示,引入了在映射过程中集成语义预测置信度的新方法,产生了语义和实例一致的三维区域。通过基于图优化的语义标记和实例细化,进一步提高了准确性。该方法在公共大规模数据集上的准确性优于现有技术,改进了一些广泛使用的度量标准。我们还指出了最近研究评估中的一个问题:使用真实轨迹作为输入而不是 SLAM 估计的轨迹,这对准确性产生了重大影响,导致了报告结果与实际在实际数据上的性能之间存在很大差距。
Sep, 2023
本文介绍了 3D 实例分割中使用的 Occupancy Size 作为度量标准,以增强性能,并提出了一种基于 Occupancy Size 的 OccuSeg 实例分割方法,其利用多任务学习产生了占用信号和嵌入表示,并使用聚类方案鼓励正确聚类难样本,避免过度分割,是目前在 ScanNetV2、S3DIS 和 SceneNN 等 3 个真实数据集上表现最优秀的方法。
Mar, 2020