基于完全卷积网络的激光雷达云检测
本文提出了一种用于无人机 LiDAR 点云分类的方向约束全卷积神经网络模型(D-FCN),该模型利用方向约束点卷积模块和多尺度卷积神经网络实现了点云的语义标记,取得了 70.7% 的平均 F1 得分和大幅提高了点数较少目标(如电线、汽车和立面)的分类性能。
Aug, 2019
本文提出了一种基于深度学习的算法,称为 Cloud-Net,用于在仅有少量谱带的卫星影像中探测云层,实验结果显示,该算法在 Jaccard Index 上的性能超过了现有算法的 8.7%。
Jan, 2019
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
本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法,采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。
Jun, 2016
本文介绍了如何利用全卷积网络技术实现在 3D 距离扫描数据上进行车辆检测任务。文章中利用单个 2D 全卷积网络同时预测目标置信度和边界框,并通过精心设计边界框编码,即可利用 2D 卷积网络预测完整的 3D 边界框。在 KITTI 数据集上的实验证明了该方法在车辆检测方面具有最新的性能。
Aug, 2016
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
本文将全卷积网络技术扩展到三维,并将其应用于点云数据的车辆检测任务中,实验结果表明该方法在自动驾驶领域的 KITTI 数据集上表现较之前的点云检测方法有显著提升。
Nov, 2016
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
本文使用深度学习框架对 FMCW 雷达进行物体检测和 3D 估计,在处理雷达训练数据时,通过图像分析提供三维空间中物体方向的真实值,并提出归一化方法以确保成功训练完全卷积网络 (FCN),该系统能够在嘈杂环境中成功检测到汽车并进一步估计其 3D 位置。
Feb, 2019