PointFlowNet: 从点云学习刚体运动估计的表示
本研究提出了一种新颖的神经网络模型 FlowNet3D,该模型旨在从点云数据中学习场景流,该模型可以通过扫描定位和运动分割等多种应用,对 Lidar 扫描等多种实际场景进行高效准确的场景流处理。
Jun, 2018
本研究提出了一种简单且可解释的目标函数来从点云中计算场景流,既可以用于有监督的学习,又可以用于自监督学习,或者在运行时进行优化,其优于先前相关工作,且在动态环境下的运动分割和点云密集化等应用方面具有即时性。
Oct, 2020
本文研究了基于自监督学习的点云中的 3D 场景流估计和无类别运动预测,通过分片刚性运动估计生成伪场景流标签进行自监督学习,实验证明该方法在自监督场景流学习方面取得了新的最先进性能,并在 nuScenes 数据集上显着优于之前最先进的自监督方法的类别无关运动预测。
Oct, 2023
本文提出了一种基于生成的深度图的方法,通过引入像素的稠密性来实现直接从 2D 图像学习 3D 场景流,以及利用统计方法和视差一致性损失来解决噪声点的问题,从而达到了更加有效的自监督学习 3D 场景流的目的。实验证明,这种方法优于合成数据集和激光雷达点云学习的方法,在场景流估计任务中表现出更好的稳定性和准确度。
Sep, 2022
我们研究了从真实大规模原始点云序列中自监督估计 3D 场景流的问题,该问题对于轨迹预测或实例分割等各种任务至关重要。我们提出了一种新颖的聚类方法,允许组合重叠的软聚类和非重叠的刚性聚类表示。我们的方法在多个具有 LiDAR 点云的数据集上进行了评估,证明了优于自监督基线的卓越性能,达到了最新的技术水平。特别是在解决含有行人、骑自行车者和其他易受伤害道路用户的复杂动态场景中,我们的方法表现出色。我们的代码将公开提供。
Apr, 2024
本文提出一种基于递归网络的零阶方法,可用于解决对不规则点云数据进行 3D 场景流估计和点云配准两项任务,实验结果表明该方法能够超越以往方法并达到新的最佳表现。
May, 2022
SE3- Nets 是深度神经网络,旨在通过原始点云数据来建模和学习刚体运动。它学习分割影响物体部分并预测由应用力导致的运动的 SE3 变换,相较于传统的基于流的神经网络,它能够产生更加一致的运动预测结果。
Jun, 2016
通过自动标记生成大量真实 LiDAR 点云的三维场景流伪标签,采用刚体运动假设模拟自治驾驶场景中的潜在物体级刚体运动,通过更新多个锚点框的不同运动属性,获得整个场景的刚体运动分解。在多个真实数据集上测试,方法在无监督和有监督方法中表现出色,无需手动标记。在 LiDAR KITTI 数据集上,我们的方法将 EPE3D 度量值减少了 10 倍,从 0.190 m 降至 0.008 m。
Feb, 2024