Panoster: 基于端到端的 LiDAR 点云全景分割
提出了一种名为 Panoptic-PolarNet 的快速而强健的 LiDAR 点云全景分割框架,使用极坐标鸟瞰图表示进行语义分割和类无关实例聚类,以解决城市街景中实例的遮挡问题,实验结果表明 Panoptic-PolarNet 在 benchmark 数据集上表现优异。
Mar, 2021
本文提出了一种混合方法,结合现有语义分割网络和传统的 LiDAR 点云聚类算法,通过在 SemanticKITTI 数据集的全景分割排行榜上表现出最领先的性能,证明基于几何的传统聚类算法值得考虑,我们是第一个尝试使用聚类算法进行点云全景分割的研究者,记录了四种具有代表性和实时运行速度的聚类方法的综合技术调查,并将它们实现为 Python 函数发布,以便其他研究人员使用。
Aug, 2021
本文提出了一种快速高效的基于 LiDAR 的 Panoptic-PHNet 框架,其引入簇伪热图作为新的范例,提出了 knn-transformer 模块来精确回归前景点之间的相互作用,并将细粒度体素特征与不同感受野的 2D 俯瞰视图(BEV)特征融合,通过在 SemanticKITTI 数据集和 nuScenes 数据集上的大量实验证明 Panoptic-PHNet 超过了最先进方法,在真实时间内实现了极高的性能。
May, 2022
本文提出了一种名为 EfficientLPS 的创新型自顶向下的 LiDAR 全景分割框架来解决 LiDAR 点云分割中的多个挑战,包括距离依赖的稀疏性、严重遮挡、大规模变化和重投影误差,并在两个大型 LiDAR 数据集上实现了状态 - of-the-art 的效果。
Feb, 2021
本文扩展了 SemanticKITTI 数据集,提供了激光雷达数据的语义标注和时间上连续的实例信息,以及两个结合了最新的 LiDAR 语义分割方法和目标检测器的强基线,希望能为 LiDAR 的全景分割算法的开发提供帮助。
Mar, 2020
介绍了扩展了 nuScenes 数据集的大规模全景 nuScenes 基准数据集,以便对动态城市环境的全景场景理解方法进行研究和评估,同时提出了各种分割和跟踪任务的强基线方法,并提出了面向实例的新型 PAT 指标,解决了现有指标的局限性。
Sep, 2021
提出了名为 CPSeg 的新型实时端到端全景分割网络,该网络采用共享编码器、双解码器和无聚类实例分割头,以动态支柱化前景点,通过学习嵌入来获得实例标签,并通过成对嵌入比较找到连接柱来转化传统的基于提案或聚类的实例分割为二元分割问题。在 SemanticKITTI 和 nuScenes 两个大规模自动驾驶数据集上进行了基准测试,结果表明 CPSeg 在两个数据集上都达到了实时方法的最先进水平。
Nov, 2021
本文提出了一个简单而有效的基于检测的网络,用于激光雷达全景分割和追踪任务,通过使用点级别注释训练目标实例检测分支,以及使用轨迹级别监督回归模态中心和物体范围来获取细粒度实例段,该方法在多个 3D/4D LPS 基准测试中表现出色,超过最新的基于查询的模型,建立了新的开源模型的最新技术水平。
Oct, 2023