我们提出了一种动态分层模型,用于任意时间场景解析,通过学习一系列适应于图像的分层模型,可以在特定测试时间预算内优化模型性能,并展示了该方法在三个语义分割数据集上的优势。
Aug, 2016
该论文提出了一种基于在线模型的强化学习方法,用于解决未知任务边界的特定问题,在处理非静态任务分布变化方面表现优异。
Jun, 2020
NSM4D 是一种在线的 4D 感知范式,能够有效处理 4D 点云序列的几何和动态信息,并在室内外场景中实现在线感知能力的显著提升。
Oct, 2023
提出一种基于 RGBD 重建和语义分割的机器人操作主动理解未知室内场景的新方法,利用离线估计的离散视野分数场来驱动机器人的勘探扫描,结合基于体素的实时语义标注,优化遍历路径和相机轨迹,从而实现高效准确的在线场景解析。
Jun, 2019
我们提出了一种可伸缩的无监督面向对象中心的 3D 场景表示学习方法,通过学习在局部对象坐标系统中视角不变的 3D 对象表示,从而推断和维护 3D 场景的对象中心表示,并优于以前的模型。
Sep, 2023
本文介绍了一种基于神经网络的连续场景表征学习方法,通过经验回放解决连续场景表征学习中遗忘和准确性的平衡问题。实验证明本方法能够连续地学习和表示场景几何特征。
Aug, 2021
本研究提出了一种增量式生成 2D 或 3D 场景的方法,该方法具有全局一致性和局部真实观测结合的特点,能够在先前的全局先验和幻觉的基础上本地生成未观测到的区域,并能够通过自主导航将生成的幻景应用于实际场景,从而解决 SLAM 问题。
Nov, 2018
本文提出了一种新颖的深度学习架构,用于从视频中进行概率未来预测。该模型可以预测城市场景中的未来语义、几何和运动,并将此表示用于控制自动驾驶车辆。
Mar, 2020
通过实时深度数据重建场景的完整三维模型存在遮挡缺失的问题。我们提出了一个基于深度图输入序列、支持实时增量和语义场景完成的框架,其中利用一种新颖的神经架构以及基于体素状态的方式来识别精确、高效的语义完成,并将其与全局三维模型相融合,从而最终达到精准高效的三维语义场景完整。
Oct, 2020
本研究利用基于期望最大化的框架最小化 KL 距离,构建点云场景的潜在概率分布模型,使其能够适应密度变化,并成功在多种真实世界的激光雷达数据集上超越现有的多视角概率方法,而无需重新采样。
Apr, 2018