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 CNN 的 FPGA 驱动程序设计,用于实时处理 LiDAR 数据的分割算法。该算法实现了无人驾驶车辆中的可行驶区域分割等关键任务,并且在 LiDAR 数据处理速度上比以往的研究更快且精确性更高。
Aug, 2018
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
通过使用卷积神经网络和激光雷达数据,本研究旨在提高图像分割的效率,特别是在自动驾驶系统中的道路表面分割任务中,通过减少标注工作量并在不降低分割质量的情况下训练图像分割模型。
Nov, 2023
本研究使用全卷积神经网络,在 LIDAR 点云、GPS-IMU 信息和 Google 驾驶方向的帮助下生成驾驶路径,并通过测试获得了良好的性能,标志着该系统有望填补底层场景解析和行为反射方法之间的差距。
Mar, 2017
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。
Oct, 2017
使用深度学习方法结合 LIDAR 和相机图像,开发了一种道路检测方法,通过使用多模式信息,新提出的交叉融合 FCN 实现了更高的准确性,表现优异并跻身最佳方法之列。
Sep, 2018
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
本文旨在研究基于传感器融合技术的三维语义分割,将 RGB 图像转化为 LiDAR 所使用的极坐标网格映射表示,并设计了早期和中期融合架构,同时提出了融合两种算法的混合融合结构。在 KITTI 数据集中评估了所提出算法的效果,并相对于仅使用 LiDAR 的基线模型,在两种最先进的算法 SqueezeSeg 和 PointSeg 上分别提高了 10% 的分割精度。
Jun, 2019
本文提出了一种基于 CNN 网络的轻量级、高吞吐量的 RoadNet-RT 架构,通过深入优化硬件设计和使用分离深度卷积和非均匀核大小卷积等技术,显著提高了道路分割的实时处理速度。相较于现有最先进的网络,在仅仅 6.2% 的精度损失下,RoadNet-RT 的速度提升了 20 倍。该 CNN 架构在 FPGA ZCU102 MPSoC 平台实现,计算能力达到 83.05 GOPS,每秒处理 327.9 帧大小为 1216x176 的图像。
Jun, 2020
本论文描述了一种使用 FCN 进行半监督学习的方法,通过预训练分类层和 MPLCMASK 云层算法的云位置以及手动标记的云位置,用于分割激光雷达图像中的云的几何高度和时间位置,并展示与云层算法实现相比较高的云识别水平。
May, 2018