EfficientLPS: 高效的激光雷达全景分割
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
本文介绍一种基于 EfficientPS 架构的自动机器人场景理解新方法,能够有效地实现交通参与者和场景语义实例识别,并提出了包含 KITTI panoptic segmentation 数据集的新领域,其通过在多个基准测试中进行广泛的评估证明具有领先的性能和最高效的速度。
Apr, 2020
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
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
本篇论文提出了名为 PANet 的新型 LiDAR 宽景分割 (LPS) 框架,采用便于生成稀疏种子点的平衡采样,泡沫位移和连通组件标签算法直接将物点分组形成实例,通过实例聚合模块来提高大型物体的 LPS 性能。与其他文献相比,在 SemanticKITII 验证和 nuScenes 验证中,PANet 在宽景分割任务中的表现达到了最高水平。
Jun, 2023
本文提出了一种名为 Panoster 的新型无需分类器的全景分割方法,通过学习聚类解决方案来生成类不可知分割,不仅快速而且能够在 SemanticKITTI 基准测试中超过现有方法,并展示了如何在现有的语义架构中灵活地有效地应用我们的方法来提供全景预测。
Oct, 2020
通过稀疏跨尺度注意力网络,结合全局体素编码注意力捕捉实例上下文的长距离关系,以提高过分割大型对象的回归精度,并采用实例中心的稀疏无类表示来处理面积聚合点,实现稀疏卷积以减少网络计算量。在 SemanticKITTI 数据集上,我们的方法在 3D LiDAR 全景分割任务中取得了很大进展,以实时推理速度获得了第一名。
Jan, 2022
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
我们提出了第一个激光雷达 - 相机全景分割网络(LCPS),通过三阶段的激光雷达 - 相机融合策略,在 NuScenes 数据集上改进了约 6.9% 的 PQ 性能,进一步的实验证明了我们的新框架的有效性。
Aug, 2023