CVPRNov, 2020

用于 LiDAR 分割的圆柱形和不对称 3D 卷积网络

PDF
TL;DR该论文提出了一种新的框架，使用圆柱形分区和不对称 3D 卷积网络来探索 3D 几何模式，并引入点智能精炼模块以减轻损失体素标签编码的干扰；测试表明，该方法在 SemanticKITTI 和 nuScenes 数据集上超过现有方法，排名第一并且较现有方法提高了约 4％。
lidarsegmentation3d convolutionoutdoor point cloudgeometric pattern
发现论文，激发创造
  • 基于激光雷达感知的圆柱形和非对称 3D 卷积网络

    该论文提出了一种利用 3D 卷积网络进行 LiDAR 语义分割、全景分割和 3D 检测的新框架，其中采用了柱状分割和非对称 3D 卷积网络来探索 3D 几何模式，该模型在 SemanticKITTI，nuScenes 和 A2D2 上的结果均表现出最先进的性能并在分割和检测任务中显示出很好的泛化性能。

    Sep, 2021

  • Cylinder3D：一种有效的用于驾驶场景 LiDAR 语义分割的三维框架

    本文提出了一种基于 Cylinder3D 的 3D 点云语义分割方法，利用 3D 拓扑和结构信息，采用 3D 表征和网络模型，并引入基于尺度分解的上下文建模模块，实现对汽车驾驶场景的 LiDAR 数据进行高效准确的分割。

    Aug, 2020

  • 具有上下文编码的密度感知卷积网络用于航空 LiDAR 点云分类

    本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。

    Oct, 2019

  • 用于三维点云语义标记的全卷积网络

    本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法，该方法直接分析经过地形归一化后的点，并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征，且在多个方面上比传统方法表现更优越，其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率，F1 分数比最高准确率方法高 1.69%。此外，本文还展示了该方法可轻松扩展到 2D 语义分割任务。

    Oct, 2017

  • 基于点云的三维全卷积网络车辆检测

    本文将全卷积网络技术扩展到三维，并将其应用于点云数据的车辆检测任务中，实验结果表明该方法在自动驾驶领域的 KITTI 数据集上表现较之前的点云检测方法有显著提升。

    Nov, 2016

  • 球面截锥稀疏卷积网络用于 LiDAR 点云语义分割

    通过引入球体金字塔结构和基于哈希的表示，本文提出了一种新颖的 Spherical Frustum sparse Convolution Network (SFCNet) 方法，实现了 LiDAR 点云的语义分割，避免了量化信息损失。

    Nov, 2023

  • 围绕你的一切：基于范围引导的圆柱形网络用于 3D 物体检测

    该研究提出一种新的方法，利用适合扫描模式的坐标系来分析自动驾驶中 LiDAR 传感器所获取到的 3D 数据，并引入了基于范围的卷积方法，其能够根据自我车辆与物体的距离和物体的比例来调整感受野。实验结果在 nuscenes 竞赛上表现良好，可以与现有的先进架构相媲美，而该架构也可以轻松地整合到其他管道中。

    Dec, 2020

  • 点卷积神经网络

    本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络，其中核心是点卷积，这是一种可以在点云的每个点上应用的新型卷积算子，并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。

    Dec, 2017

  • 点云上的环形卷积神经网络 A-CNN

    本研究提出一种新的卷积方式，能够直接在 3D 点云上进行计算，并利用其环形结构捕捉每个点的局部邻域几何特征，通过应用于神经网络，实现了目标分类、部件分割和语义分割等任务，并在多个标准基准数据集上取得了比同类算法更好的结果。

    Apr, 2019

  • 遥感场景点云语义分割的双可变形点卷积

    通过学习纬度 - 经度平面和高度方向上的可变形采样点，我们提出了新颖的卷积算子 —— 双可变形点卷积 (TDConvs)，以实现自适应特征学习；在现有的流行基准测试上，实验证明我们的 TDConvs 达到了最佳的分割性能，超过现有的最先进方法。

    May, 2024