Jul, 2018

PointSeg：基于 3D LiDAR 点云的实时语义分割

PDF
TL;DR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。
发现论文，激发创造
  • 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

    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

  • 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

  • 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

  • PointSeg：基于基础模型的三维场景分割的非训练范式

    PointSeg 是一种新的无需训练的范例，借助现有的视觉基础模型来解决 3D 场景感知任务，并展示了令人印象深刻的分割性能。

    Mar, 2024

  • 基于 RGB 和 LiDAR 融合的自动驾驶 3D 语义分割

    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

  • 多投影融合用于 3D LiDAR 点云的实时语义分割

    这篇论文提出了一种基于多视角融合的 3D 点云语义分割方法，通过对球面和鸟瞰图进行高效的二维卷积神经网络分割，结合两个视角的分割结果，有效缓解了单个视角方法中存在的信息损失问题，既能提高准确率又能保证速度，在 SemanticKITTI 数据集上实现了高准确率（mIoU 为 55.5），同时比目前最先进的基于投影的方法 RangeNet++ 和 PolarNet 分别快 1.6 倍和 3.1 倍。

    Nov, 2020

  • Complexer-YOLO：基于语义点云的实时 3D 目标检测和跟踪

    本文提出了一种融合神经网络、视觉语义分割、在自主驾驶场景下的 3D 目标检测方法，引入了一种名为 SRTs 的快速评估指标，并采用状态优化的多目标特征跟踪机制，实现了高精度和实时性的平衡，并在 KITTI 基准测试中验证了方法的有效性。同时，该方法首次将视觉语义与 3D 目标检测相融合。

    Apr, 2019

  • KPRNet: 基于投影的激光雷达语义分割的改进

    本研究采用最新的图像和点云分割技术，在卷积神经网络体系结构和 point-wise 组件中应用 KPConv，从而在对 LiDAR 扫描进行分割的任务中实现更好的准确性。已经在 SemanticKITTI 基准测试中超过了当前最佳方法，达到了 63.1 的 mIoU。

    Jul, 2020

  • 点云语义分割

    简述：本文在点云上进行语义分割，使用了 PointCNN 等多个模型，并基于评估指标和推理速度进行比较。

    May, 2023

  • 基于 Superpoint 图的大规模点云语义分割

    该研究提出了一种基于深度学习的新框架，用于解决数百万点的大规模点云的语义分割挑战。该框架使用超级点图和图卷积网络等技术，取得了室内和户外 LiDAR 扫描分割方面的新成果。

    Nov, 2017