FPS-Net:大规模 LiDAR 点云分割的卷积融合网络
这篇论文提出了一种基于多视角融合的 3D 点云语义分割方法,通过对球面和鸟瞰图进行高效的二维卷积神经网络分割,结合两个视角的分割结果,有效缓解了单个视角方法中存在的信息损失问题,既能提高准确率又能保证速度,在 SemanticKITTI 数据集上实现了高准确率(mIoU 为 55.5),同时比目前最先进的基于投影的方法 RangeNet++ 和 PolarNet 分别快 1.6 倍和 3.1 倍。
Nov, 2020
我们提出了一种简单而强大的 FRNet,该网络通过与对应的锥形 LiDAR 点恢复了范围图像像素的上下文信息。实验证明,FRNet 在保持高效率的同时实现了具有竞争力的性能。
Dec, 2023
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
本文提出了一种用于无人机 LiDAR 点云分类的方向约束全卷积神经网络模型(D-FCN),该模型利用方向约束点卷积模块和多尺度卷积神经网络实现了点云的语义标记,取得了 70.7% 的平均 F1 得分和大幅提高了点数较少目标(如电线、汽车和立面)的分类性能。
Aug, 2019
本研究提出了一种基于 LIDAR 传感器的一阶段 3D 目标检测器,该检测器在从点数据中提取特征上表现出更好的性能,并在 KITTI-3D 基准测试中表现优异,其速度和准确性在实际场景中具有实际应用价值。
Jun, 2019
VPFNet 是一种新的网络架构,通过虚拟点 cleverly aligns and aggregates the point cloud and image data 来解决 3D 点云和图像数据之间的不匹配问题,同时利用数据增强技术来提高 3D 目标检测的性能。在 KITTI 数据集上的实验中,在保证计算效率的情况下,VPFNet 取得了很好的性能表现。
Nov, 2021
使用深度学习方法结合 LIDAR 和相机图像,开发了一种道路检测方法,通过使用多模式信息,新提出的交叉融合 FCN 实现了更高的准确性,表现优异并跻身最佳方法之列。
Sep, 2018
我们提出了 Fine-Grained Lidar-Camera Fusion (FGFusion) 方法,通过设计双通路层次结构提取图像的高级语义和低级详细特征,引入辅助网络指导点云特征学习细粒度的空间信息,最后采用多尺度融合 (MSF) 方法将图像和点云的特征融合,通过在 KITTI 和 Waymo 两个常用的自动驾驶基准上进行的大量实验验证了我们方法的有效性。
Sep, 2023
本研究提出了一种多尺度 LiDAR 辅助透视变换神经网络,利用点云信息将图像特征投影到俯视图中,从而在大幅度提升语义网格生成方面取得了实质性的进展,实现了 25FPS 的实时性能。
Feb, 2023
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