ECCVJul, 2020

基于最优传输引导的点云场景流

PDF
TL;DR本篇研究提出并研究了一种名为 FLOT 的方法，它利用最优传输工具来估算点云上的场景流，并通过神经网络和完全的监督数据集进行训练来提取深度特征相似性以计算运输成本。在实验中，FLOT 表现出色，相对于现有的最佳方法，它需要更少的参数，而且不需要使用多尺度分析。
发现论文，激发创造
  • 自点流：基于最优传输和随机游走的自监督点云场景流估计

    本文提出一种基于最优传输的自监督方式，利用多个描述符构建传输成本矩阵并通过质量相等约束鼓励一对一匹配，同时引入随机漫步模块来鼓励伪标签的局部一致性，通过在 FlyingThings3D 和 KITTI 数据集上的全面实验表明，该方法在自监督学习方法中取得了最先进的表现，甚至表现与一些监督学习方法相当，而不需要任何地面真实流进行训练。

    May, 2021

  • SCOOP：自监督一致性和基于优化的场景流

    介绍了一种新方法 ——SCOOP，它可以在不使用 ground-truth 流监督的情况下，通过学习点特征表征来进行场景流估计，并使用一种自我监督目标的流细化组件直接优化流，从而实现点云之间的连贯和准确的流场，在分数的训练数据的前提下提高了现有领先技术的性能。

    Nov, 2022

  • OptFlow：无需监督的快速基于优化的场景流估计

    OptFlow 是一种快速优化型场景流估计方法，不依赖学习或任何标注数据，可在流行的自动驾驶基准测试中实现场景流估计的最先进性能，同时提供最快的推理时间。

    Jan, 2024

  • 使用或不使用学习的点云场景流

    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

  • 学习 3D 点云中的场景流

    本研究提出了一种新颖的神经网络模型 FlowNet3D，该模型旨在从点云数据中学习场景流，该模型可以通过扫描定位和运动分割等多种应用，对 Lidar 扫描等多种实际场景进行高效准确的场景流处理。

    Jun, 2018

  • DELFlow：大规模点云场景流量的稠密高效学习

    通过将三维坐标储存在二维网格中，以稠密格式规范点云数据并提供有效的特征融合，从而在场景流估计问题上提供更高效和有效的方法。

    Aug, 2023

  • FlowMOT：基于场景流的三维多目标跟踪

    本文提出了一种基于 LiDAR 的三维多目标跟踪框架 FlowMOT，该框架结合了点运动信息和传统的匹配算法，通过使用匈牙利算法生成最优匹配关系来完成跟踪任务。实验结果表明，该方法胜过最近的端到端方法，并且在各种速度场景下可以稳定地工作。

    Dec, 2020

  • 让其流动：3D 流动和物体聚类的同时优化

    我们研究了从真实大规模原始点云序列中自监督估计 3D 场景流的问题，该问题对于轨迹预测或实例分割等各种任务至关重要。我们提出了一种新颖的聚类方法，允许组合重叠的软聚类和非重叠的刚性聚类表示。我们的方法在多个具有 LiDAR 点云的数据集上进行了评估，证明了优于自监督基线的卓越性能，达到了最新的技术水平。特别是在解决含有行人、骑自行车者和其他易受伤害道路用户的复杂动态场景中，我们的方法表现出色。我们的代码将公开提供。

    Apr, 2024

  • 真实世界点云的可伸缩场景流

    本文介绍一种新的基于运动跟踪的大规模数据集并提出适用于全点云的 FastFlow3D 架构，以更好地进行场景流预测并提高现实世界的表现。

    Mar, 2021

  • 关于点云的变形和对应关系感知的无监督合成场景流估计

    本文介绍了一种利用自动生成的样本和伪标签的自适应框架来提高点云场景流预测模型在不同场景下的泛化性能的方法。

    Mar, 2022