本文提出了一种自我监督方法 SeFlow,能够通过将动态点进行分类来改善学习场景流流程的性能,尤其是在物体的细节上,从而实现自主车辆精确预测和理解环境动态变化的能力。
Jul, 2024
本文提出了一种新的自监督训练方法和架构,实现了三维场景流估计,优于传统的结构,包括多层融合技术在内的智能方法。研究结果在 Flyingthings3D 和 KITTI 数据集上均获得了监督和自监督训练的最新成果。
Apr, 2021
本文提出的单目场景流(Scene Flow)估计方法基于一个卷积神经网络(CNN),通过充分考虑光流代价体积,成功估算出深度和三维运动。我们采用了自监督学习方法,利用三维损失函数和遮挡推理来提高估计精度。实验结果表明,该方法在单目场景流估计领域取得了最佳性能,同时在光流和单目深度估计子任务上也获得了很好的结果。
Apr, 2020
本文提出一个基于度量学习的自监督场景流估计方法,包括多尺度三元损失和周期一致性损失,使用提出的基准测试 Scene Flow Sandbox 显著提高了自监督场景流估计的性能。
Nov, 2020
本文通过自监督学习介绍了一种基于多帧单目场景流网络的方法,该方法在保持实时效率的同时显著提高了准确性,并通过在 KITTI 数据集上进行测试达到了自我监督学习中的最新水平。
May, 2021
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
提出了一种端到端场景流学习的替代方法,通过联合估计非刚性残留流和动态 3D 场景的自运动流来学习场景流,引入了自监督信号以增强模型训练,能够将场景流分解为非刚性流和自运动流并且在当前最先进的监督方法上取得了更好的表现。
Sep, 2020
通过应用 ICP 运动补偿和分段刚性假设约束,结合测试时间优化方法,自监督 LiDAR 场景流估计技术可以更加有效地解决主要挑战,而不需要训练数据,提升了真实数据上的性能。
Apr, 2023
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
本文利用自监督多帧流表示和单帧三维检测假设之间的关系,将自监督训练策略与监督三维检测结合,提出一种利用场景流估计的自监督训练方法来增强三维检测性能的技术。实验表明,所提出的自监督预训练显著提高了三维检测性能。
May, 2022