Oct, 2017

SqueezeSeg: 3D LiDAR 点云实时道路物体分割的卷积神经网络与循环条件随机场

PDF
TL;DR本论文针对 3D 激光雷达点云的道路物体语义分割问题，提出了一种基于 CNN 和 CRF 的端到端方法 SqueezeSeg，通过将经过转换处理的点云作为输入，直接输出一个点输出标签图，并通过 CRF 进行细化，最后通过聚类算法得到实例级别的标签。实验结果表明该方法在自动驾驶应用中具有高准确性、快速稳定的运行，特别是通过使用虚拟仿真数据训练，还能提高在实际应用中的表现。
semantic segmentationlidar point cloudcnnconditional random fieldautonomous driving
发现论文，激发创造
  • SqueezeSegV2: 基于 LiDAR 点云的道路目标分割的改进模型结构和无监督域自适应

    本篇论文介绍了一种新的模型，SqueezeSegV2，通过改进模型结构、训练损失、批量规范化和额外输入通道等方面，增强了对 LiDAR 点云中 drop noise 的鲁棒性，同时也提出一种包含三个重要组成部分的域自适应训练流程，可将在虚拟环境中生成的点云数据有效地应用到真实环境中，并获得显著的分割准确性提升。

    Sep, 2018

  • PointSeg：基于 3D LiDAR 点云的实时语义分割

    本文提出了一种基于球形图像的实时端到端语义分割方法 PointSeg，它以从 3D LiDAR 点云转换来的球形图像为输入，并利用卷积神经网络（CNNs）来预测点级语义映射，它采用了轻量级网络 SqueezeNet 进行模型构建，并在 KITTI 3D 目标检测数据集上进行了训练，实验结果表明在单个 GPU 1080ti 上可达到每秒 90 帧的竞争精度，适用于自动驾驶应用。

    Jul, 2018

  • SEGCloud：3D 点云的语义分割

    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

  • SqueezeSegV3: 面向点云分割的自适应空间卷积

    本文针对 LiDAR 点云分割中前处理存在的问题，提出了新的卷积方法 Spatially-Adaptive Convolution，并通过 SqueezeSegV3 核 SemanticKITTI 数据集的实验表明，相较于之前提出的算法在语义分割的性能上有了更好的提升。

    Apr, 2020

  • 使用基于超像素的 CNN 和 CRF 模型实现高效细粒度道路分割

    本文提出了一种使用 CNN 和 CRF 相结合的方法进行道路场景分割，采用超像素为 CNN 的输入基础，使计算效率更高，在保持较快运行速度的同时，在 KITTI 路标准测试中取得了可比拟的性能，适合于实时应用

    Jun, 2022

  • 基于卷积神经网络的极快速 Velodyne LiDAR 数据地面分割

    本文提出了一种基于卷积神经网络（CNN）训练的适用于 Velodyne 传感器稀疏 3D 数据编码的方法，用于将稀疏点云分割成地面和非地面点，并表明该方法在速度和精确度方面明显优于 Zhang 等人的最先进方法。

    Sep, 2017

  • CPSeg：基于 3D LiDAR 点云的无聚类全景分割

    提出了名为 CPSeg 的新型实时端到端全景分割网络，该网络采用共享编码器、双解码器和无聚类实例分割头，以动态支柱化前景点，通过学习嵌入来获得实例标签，并通过成对嵌入比较找到连接柱来转化传统的基于提案或聚类的实例分割为二元分割问题。在 SemanticKITTI 和 nuScenes 两个大规模自动驾驶数据集上进行了基准测试，结果表明 CPSeg 在两个数据集上都达到了实时方法的最先进水平。

    Nov, 2021

  • 基于 FPGA 的 LiDAR 数据处理实现实时道路分割

    本研究提出了一种基于 FPGA 的卷积神经网络 (CNN) 设计，用于实时处理激光雷达数据的道路分割算法。通过在 LiDAR 传感器数据上训练神经网络模型，本文实现了高效的硬件设计，并成功实现每个 LiDAR 扫描的实时处理，实现了道路分割的高精度。

    Nov, 2017

  • Lite-HDSeg：使用轻量级谐波密集卷积进行 LiDAR 语义分割

    本研究提出了一个新的实时卷积神经网络 ——Lite-HDSeg，用于三维激光雷达点云的智能语义分割，在 SemanticKitti 基准测试中取得了最佳的准确度和计算复杂度平衡。本文提出的方法在机器人和自动驾驶应用中是非常适合的。

    Mar, 2021

  • 基于 LiDAR 的循环 3D 语义分割及时间记忆对齐

    该论文讨论了自动驾驶汽车中的 3D 环境理解和解释问题，提出了一种基于递归分割架构的方法，该方法将时间序列信息与语义学信息相结合，充分利用了时间信息，提高了分割结果的准确性和效率。

    Mar, 2021