Oct, 2019

LDLS: 从 2D 图像标签扩散推断 3D 物体分割

PDF
TL;DR本文提出了一种名为 Label Diffusion Lidar Segmentation 的基于 Mask-RCNN 和半监督学习的方法，该方法可以在没有 3D 目标的训练数据或微调 2D 图像分割模型的情况下，有效地实现三维点云分割，并在 KITTI 基准数据集和移动机器人上的实验结果表明，其性能超过了现有的三维点云分割技术的水平。
3-d point cloud segmentationlabel diffusion lidar segmentationsemi-supervised learningmask-rcnnrobotics
发现论文，激发创造
  • 自监督镜像雷达蒸馏用于自动驾驶数据

    该研究提出了一种针对自动驾驶数据量身定制的自监督 3D 感知模型预训练方法，使用 superpixels 来池化 3D 点特征和 2D 像素特征，训练 3D 网络来匹配虚拟对应的 2D 像素特征并提取特征，从而实现无需任何点云或图像注释的 3D 语义分割和车辆物体检测，进行了大量的自动驾驶数据集实验以证明其有效性。

    Mar, 2022

  • 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

  • 通过自监督学习从无标签 RGB-D 视频中学习物体分割

    该论文提出了一个自超视自学的物体分割系统，其训练过程利用了点云的超分割结果，利用图匹配算法和点云配准结合检测出 3D 假标签上的再现物体模式并生成 2D 掩码。实验证明，该方法在真实和合成的视频数据集上的表现优于现有的无监督方法。

    Apr, 2023

  • 基于 RGB-D 室内数据的深度学习三维实例分割

    通过将深度学习与 RGB-D 数据相结合，提出了一种用于高效 3D 实例分割的新方法，该方法通过点状渲染模块将 2D 区域卷积神经网络（Mask R-CNN）模型与深度信息集成，可以识别和分割对象的 3D 实例，实验证明该方法对于支持机器人和智能系统中的物体处理非常有益。

    Jun, 2024

  • SSDA3D: 3D 点云物体检测的半监督领域适应

    提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。

    Dec, 2022

  • 基于深度学习的三维实例与语义分割：一份综述

    该研究主要讨论了基于深度学习的三维分割在点云数据处理中的应用，并评估了不同分割算法对不同数据集的竞争力以及最常使用的处理流程、其优势、限制、未来研究方向等。

    Jun, 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

  • 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

  • 3D-MiniNet: 从点云学习 2D 表示，用于快速高效的 3D 激光雷达语义分割

    本研究提出了一种新的 LIDAR 语义分割方法，称为 3D-MiniNet，该方法结合了 3D 和 2D 学习层。该方法利用投影学习模块提取 3D 数据的局部和全局信息，并通过后处理模块将 2D 语义标签重新投影到 3D 空间中，在 SemanticKITTI 和 KITTI 公共基准测试中表现出比以前的方法更快、更节约参数的优势，并得到了最先进的结果。

    Feb, 2020

  • 深度投影三维语义分割

    本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法，将点云数据投影到 2D 平面，避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制，并在 Semantic3D 数据集上达到了相对增益 7.9％的最新最佳结果。

    May, 2017