使用或不使用学习的点云场景流
本文提出一种利用单目 RGB 图像和点云生成伪场景流标签进行训练的方法,通过采用点云中的几何信息和单目图像中的外观信息,以及利用几何关系的噪声标签感知训练网络的技术来实现对点云中的伪场景标签推断,从而进一步降低对训练的负面影响。实验结果表明,该方法不仅优于现有一些自监督方法,而且还优于使用准确的地面实况的一些监督方法。
Mar, 2022
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
本文介绍了一种使用自我监督的技术,基于最近邻和循环一致性,来训练场景流模型,从而解决在自动驾驶过程中对高动态环境的非刚性物体移动的计算问题,并且其性能优于当前标注了实际场景流数据的最新的有监督学习方法.
Dec, 2019
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
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
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
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
本文研究了使用两个连续的三维点云来估计场景流的问题,并提出了一种新的分层神经网络架构和双重注意力方法来精细地估计和监督不同级别的场景流和 LiDAR 位置跟踪。
Oct, 2020
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