Sep, 2021

Panoptic nuScenes：LiDAR 全图分割和跟踪的大规模基准测试

PDF
TL;DR介绍了扩展了 nuScenes 数据集的大规模全景 nuScenes 基准数据集，以便对动态城市环境的全景场景理解方法进行研究和评估，同时提出了各种分割和跟踪任务的强基线方法，并提出了面向实例的新型 PAT 指标，解决了现有指标的局限性。
发现论文，激发创造
  • Panoptic-PolarNet：无需提议的 LiDAR 点云全景分割

    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

  • nuScenes：自动驾驶的多模态数据集

    本文介绍了 nuTonomy 场景数据集，其中包含了自动驾驶车辆所有的传感器：6 个相机，5 个雷达和 1 个激光雷达，每个场景长达 20 秒，并标注了 23 个类别和 8 个属性的三维边界框。同时，定义了新的 3D 检测和跟踪指标，并提供了激光雷达和基于图像的检测和跟踪的基线。

    Mar, 2019

  • 大规模 LiDAR 点云中精确实例分割的研究

    研究通过聚类策略和点嵌入来改进全景分割的实例分割步骤，以解决同一个语义类别附近实例分割的挑战，实验证明该策略的有效性和多样性。

    Jul, 2023

  • Panoptic-PHNet: 通过聚类伪热度图实现实时高精度 LiDAR 全景分割

    本文提出了一种快速高效的基于 LiDAR 的 Panoptic-PHNet 框架，其引入簇伪热图作为新的范例，提出了 knn-transformer 模块来精确回归前景点之间的相互作用，并将细粒度体素特征与不同感受野的 2D 俯瞰视图（BEV）特征融合，通过在 SemanticKITTI 数据集和 nuScenes 数据集上的大量实验证明 Panoptic-PHNet 超过了最先进方法，在真实时间内实现了极高的性能。

    May, 2022

  • 基于 KITTI 数据集的基于激光雷达的全景分割基准

    本文扩展了 SemanticKITTI 数据集，提供了激光雷达数据的语义标注和时间上连续的实例信息，以及两个结合了最新的 LiDAR 语义分割方法和目标检测器的强基线，希望能为 LiDAR 的全景分割算法的开发提供帮助。

    Mar, 2020

  • Panoster: 基于端到端的 LiDAR 点云全景分割

    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

  • 移动地图点云中的全景分割综述

    本文旨在针对户外移动映射数据的全景分割问题，建立一个模块化的全局视点分割流水线，通过全面的系统实验来评估全景分割的状态，并提供首个公共数据集。

    Apr, 2023

  • 场景理解的 Cityscapes-Panoptic-Parts 和 PASCAL-Panoptic-Parts 数据集

    本技术报告介绍一种用于图像场景理解的数据集，包含兼容于全景分割和部分语义类别的标注，同时提供相关统计信息和处理 / 可视化代码。

    Apr, 2020

  • 自动驾驶全景分割鲁棒性的基准测试

    准确的情景感知对于辅助和自动驾驶功能 (AAD) 的安全决策至关重要。全景分割是一种有前景的感知技术，可以在像素级别上识别和分类对象、潜在危险和可驾驶空间。本研究提出了一个统一的流程，评估全景分割模型在 AAD 中的鲁棒性，并将其与传统图像质量进行相关联。

    Feb, 2024

  • 4D 全景式激光雷达分割

    提出一种新的 4D 全景 LiDAR 分割方法，将语义类和时间一致的实例 ID 分配给 3D 点序列，使用点为中心的评估度量来确定每个点的语义类别，将对象实例建模为 4D 时空域中的概率分布，从而以更高效的方式处理多个点云。这项工作展望未来的超高效 LiDAR 全景感知。

    Feb, 2021