CVPRMar, 2019

利用形状补全实现三维类脉冲跟踪

PDF
TL;DR本文探讨了形状完成技术在 LIDAR 三维物体追踪中的应用，设计了一个 Siamese 追踪器，通过对模型和候选形状进行编码，实现了更好的 3D 物体追踪。在 KITTI 追踪数据上的实验结果表明，该模型将成功率和准确率均提升了 3％以上。
point clouds3d lidar perceptionshape completiontrackingobject model
发现论文，激发创造
  • 具有质量感知形状补全的鲁棒三维跟踪

    通过形状补全方法构建稠密而完整的点云目标表示，从而实现鲁棒的三维跟踪，并借助体素化的关系建模模块和框精炼模块提高跟踪性能。

    Dec, 2023

  • 使用潜在优化的点云高保真语义形状补全

    通过基于学习的方法，利用生成建模和潜在流形优化来完成不完整的三维形状，我们的算法直接处理点云数据，成功地重建了在没有依赖基于示例数据库的检索的情况下大缺失区域的点云。

    Jul, 2018

  • 野外场景弱监督 3D 形状补全

    本研究利用弱监督的方法，通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态，解决了学习未对准和真实世界部分点云的情况下，利用大量数据进行 3D 形状补全的问题。实验证明，学习姿势估计可以促进部分点云的配准。

    Aug, 2020

  • 从模式中跟踪：学习点云中对应模式进行 3D 物体跟踪

    本文提出了一种基于学习的 3D 物体跟踪方法，通过从时间点云数据中学习物体对应关系和运动信息的模式，利用 lidar 数据和运动估计技术进行跟踪，以及采用简单有效的速度平滑模块对物体的运动进行估计，从而在 KITTI 和更大规模的 Nuscenes 数据集上优于现有的 3D 跟踪方法。

    Oct, 2020

  • 弱监督下的三维形状补全学习

    本文提出了一种弱监督学习的三维形状补全方法，旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比，该方法既不需要昂贵的优化步骤，也不需要直接监督，通过使用深度神经网络来学习最大似然拟合，具有高效和准确的形状补全能力。在来自 ShapeNet、ModelNet、KITTI 和 Kinect 的综合基准测试中，该方法能够与最近的完全监督基线相竞争，并且优于数据驱动方法，同时需要更少的监督并具有显着的速度优势。

    May, 2018

  • 高效的鸟瞰视角三维孪生跟踪提议

    本文提出一种使用 LIDAR 点云的 Bird Eye View 结构来实现车辆跟踪的方法，该方法结合使用高效的区域提议网络和 3D Siamese 网络来生成和筛选 3D 物体候选项，并且通过端到端训练的方法，使车辆跟踪的成功率和精度分别优于以往的基线水平 12% 和 18%。

    Mar, 2019

  • 基于语义分割辅助的 LiDAR 点云场景补全

    我们提出了一种端到端的语义分割辅助场景补全网络，包括 2D 补全分支和 3D 语义分割分支，以提供语义信息。通过采用 BEV 表示和 3D 稀疏卷积，我们可以从较低的操作数中受益，同时保持有效的表达。此方法在 SemanticKITTI 数据集上表现出有竞争力的性能和低延迟。

    Sep, 2021

  • SCP：场景补全预训练用于 3D 物体检测

    通过场景补全预训练（SCP）方法来增强 3D 物体检测器的性能，SCP 具有改进点云模型初始化、消除对额外数据集的需求、减少标注数据量的三个关键优势，并能够使现有的 3D 检测器仅依赖 20% 标注数据即可实现相当性能。

    Sep, 2023

  • 实现实际 3D LiDAR 场景补全的扩展扩散模型

    使用扩散模型方法在单个 3D LiDAR 扫描中完成场景实现了比最先进的完成场景方法更多细节的场景，为扩散模型应用于场景规模点云数据的进一步研究提供了支持。

    Mar, 2024

  • 基于 Siamese Voxel-to-BEV 的 3D 稀疏点云跟踪器

    本文提出了一种 Siamese Voxel-to-BEV Tracker，通过 Siamese 形状感知特征学习网络和体素到 BEV 目标定位网络大幅提高了稀疏点云中的 3D 物体追踪性能，并在 KITTI 和 nuScenes 数据集上得到了显著的性能优化。

    Nov, 2021