Apr, 2019

LATTE: 通过传感器融合、一键标注和跟踪加速 LiDAR 点云注释

PDF
TL;DR该研究提出了一种名为 LATTE 的 LiDAR 点云注释工具，它采用深度学习和传感器融合的方法，使其具有自动标记、一键注释和跟踪等创新特性，可以加快注释速度，提高标签质量。
发现论文，激发创造
  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023

  • PALF: 预注释与相机 - LiDAR 后期融合，用于点云简易注释

    本文提出了一种预注释算法和相机 - LiDAR 后期融合算法来方便且准确地注释点云数据，实验结果表明该算法可以提高 6.5 倍的注释速度、提高 3D 交集超过联合和精度 8.2 点和 5.6 点，同时降低失误率 31.9 点。

    Apr, 2023

  • 激光雷达标注就是您所需的

    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

  • 一种 LiDAR 点云生成器：从虚拟世界到自主驾驶

    本文提出了一个从电脑游戏中快速生成带有准确点级别标签的点云的框架，可用于深度学习算法的训练和神经网络的鲁棒性测试并提出了自动标定方法，实验表明将生成的合成数据与训练数据集相结合可显著提高点云分割的准确性 (+9%)，通过从用户配置场景的点云进行神经网络的测试和重新训练，可以修复神经网络的弱点 / 盲点。

    Mar, 2018

  • 自动驾驶中图像与点云融合的深度学习技术综述

    该论文着眼于深度学习在相机 - LiDAR 融合数据处理中的应用，对深度补全、物体检测、语义分割、跟踪和在线跨传感器校准等方面的方法进行了深入评估和比较。该研究提出了当前学术研究与实际应用之间存在的差距和未被重视的挑战，并提出了有前途的研究方向。

    Apr, 2020

  • 基于流式处理的三维点云目标检测

    探索如何建立一种去除人工延迟限制的目标检测器，而是在流数据上运作来显着降低延迟，该方法有助于减少推理硬件的峰值计算负载，同时实现竞争性甚至优越的预测性能。

    May, 2020

  • 低分辨率 LiDAR 数据下的 3D 物体检测与高分辨率交通参数提取

    本研究提出了一种创新的框架，通过使用单个 LiDAR 系统、点密度填充和零样本学习技术，以及提取感兴趣对象的高低、加速度和速度等特征，实现了交通流量数据收集、物体检测和自动生成立体包围盒的自动化，从而克服了多个 LiDAR 系统和复杂的立体标注过程的限制。

    Jan, 2024

  • 混杂空中 LiDAR 点云的目标分割

    本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法，采用了 PointNet 网络模型，成功实现了对各种形状复杂、点云分布不均匀的人工目标（如电力塔）的高效检测和分割。

    Oct, 2022

  • 高级相机 - LiDAR 融合与机器学习的 3D 物体检测

    本研究提出了一种使用单目摄像头和 LiDAR 数据结合的机器学习技术，通过以国际排名领先的二维物体探测器生成的锥体区域来分割 LiDAR 点云，从而检测运动平台周围的车辆的 3D 边界框参数， 最终验证集准确率达到 87.1％。

    May, 2021

  • LiDAR R-CNN：一种高效且通用的三维物体检测器

    本文研究基于激光雷达点云的三维检测在自动驾驶的感知系统中的重要性，并提出了 LiDAR R-CNN，这是一种可改进任何现有三维检测器的第二阶段检测器，采用了基于点的方法解决了实时和高精度要求的问题，在实际中具有普适性和优越性能。

    Mar, 2021