FIDNet: 基于完全插值解码的 LiDAR 点云语义分割
本文提出了一种基于 TFNet 的 LiDAR 语义分割方法,利用时间信息来解决范围图像有限的角度分辨率引起的 “一对多” 问题,并设计了一种基于最大投票的后处理技术来纠正错误预测。在两个基准测试和三种模态的七种主干网络上的实验证明了我们方法的有效性和可扩展性。
Sep, 2023
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
该研究设计了 FPS-Net 网络,利用点云投影图像的不同特征进行多模态特征融合,旨在优化点云的分段。该网络的有效性在广泛实验中得到证明,可以实现优于现有方法的语义分割,并且引入的多模态融合思想也兼容于典型的投影方法。
Mar, 2021
本研究采用最新的图像和点云分割技术,在卷积神经网络体系结构和 point-wise 组件中应用 KPConv,从而在对 LiDAR 扫描进行分割的任务中实现更好的准确性。已经在 SemanticKITTI 基准测试中超过了当前最佳方法,达到了 63.1 的 mIoU。
Jul, 2020
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
本文提出了一种基于稀疏深度可分离卷积模块的新型管道,该管道通过减少网络参数数量并保留整体任务性能,需要更少的地面真实注释来实现优越的分割准确性,并提出了一个新的用于处理 3D LiDAR 点云数据的样本下采样方法,与现有方法相比具有更好的性能,同时在有限的训练数据上也表现出显着的性能提高。
Mar, 2023
本研究提出了一种新的 LIDAR 语义分割方法,称为 3D-MiniNet,该方法结合了 3D 和 2D 学习层。该方法利用投影学习模块提取 3D 数据的局部和全局信息,并通过后处理模块将 2D 语义标签重新投影到 3D 空间中,在 SemanticKITTI 和 KITTI 公共基准测试中表现出比以前的方法更快、更节约参数的优势,并得到了最先进的结果。
Feb, 2020
本文提出了针对 LiDAR 数据的新型自动驾驶车辆的语义分割算法 PolarNet,通过極坐标系间接对齐分割网络的注意力,解决了点云分布不均等问题。在三个不同的真实城市 LiDAR 单次扫描数据集中,该编码方案显著提高了平均交并比,同时保持了接近实时的吞吐量。
Mar, 2020
本文提出了一种多阶段的 LiDAR 点云预处理和后处理方法,在多扫描设置中结合最先进的模型,旨在解决单次扫描中的挑战,通过对给定模型在单次扫描设置中进行定量评估,我们展示了我们的方法的好处,在中距离和远距离上,mIoU 性能显著提升超过 5 个百分点和 10 个百分点,这对于长距离的三维语义场景理解和离线处理允许的应用至关重要。
May, 2024
为实现自动驾驶和智能机器人的感知系统中对激光雷达传感器进行实时分割,本文提出了一种名为 Meta-RangeSeg 的新方法,该方法引入了全新的范围残差图像表示来捕获二三维之间的空间 - temporal 信息,并使用有效的 U-Net 骨干和特征聚合模块来提取多尺度特征,进一步强化范围通道的作用。
Feb, 2022