May, 2020

自动驾驶中的激光雷达点云深度学习综述

HTML
PDF
TL;DR该论文系统地回顾了现有的深度学习体系结构在LiDAR点云中的应用，包括用于自动驾驶的特定任务如分割、检测和分类，并总结了近五年来超过140个重要贡献，包括3D深度架构、3D语义分割、目标检测和分类方面的深度学习应用以及特定的数据集、评估指标和最新的性能。最终，我们总结了剩余的挑战和未来研究方向。
发现论文，激发创造
  • 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

  • 面向安全自主驾驶：捕获深度神经网络中激光雷达三维车辆检测的不确定性

    为了保证自动驾驶汽车在公共道路上行驶安全，本文提出了一种基于Lidar点云的三维汽车探测器的概率检测方法，可以可靠地表示分类和定位任务中的外在和内在不确定性，并通过建模内在不确定性来提高检测精度1％- 5％。

    Apr, 2018

  • 利用视觉深度估计的伪LiDAR：弥合自动驾驶中3D目标检测的差距

    本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达（pseudo-LiDAR）表示的方法，从而使得使用便宜的单ocular或立体成像数据进行3D物体检测时的精度在KITTI数据集上大幅提高到了22%到74%。

    Dec, 2018

  • 3D点云的深度学习：概述

    本文综述了近期 point cloud learning 领域深度学习方法在 3D 形状分类、3D 物体检测与跟踪、3D 点云分割三大任务中的最新进展及其对公共数据集的比较结果，并提出了可启发未来研究的深刻见解和方向。

    Dec, 2019

  • 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

  • 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

  • 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

  • 自动驾驶中的三维物体检测与跟踪的深度学习方法：简要综述

    自动驾驶中的目标检测和跟踪是重要且基础的任务，旨在在场景中识别和定位预定义类别的对象。这篇论文展示了最近在深度学习方法中对于3D目标检测和跟踪的研究进展，以帮助更好地了解该领域的现状。

    Nov, 2023

  • 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

  • 基于车载3D LiDAR的几何和语义场景理解深度学习研究

    本研究解决了3D LiDAR点云数据在自动驾驶场景感知中的准确性和效率问题，提出了DurLAR数据集以及RAPiD-Seg架构，以提高分割精度，并显著减少对真实标注的需求。通过这些创新，研究为3D LiDAR应用的准确性和效率注入了新动力，推动了自动驾驶技术的发展。

    Nov, 2024