Sep, 2021

基于语义分割辅助的 LiDAR 点云场景补全

PDF
TL;DR我们提出了一种端到端的语义分割辅助场景补全网络，包括 2D 补全分支和 3D 语义分割分支，以提供语义信息。通过采用 BEV 表示和 3D 稀疏卷积，我们可以从较低的操作数中受益，同时保持有效的表达。此方法在 SemanticKITTI 数据集上表现出有竞争力的性能和低延迟。
outdoor scene completion3d scene understandingsemantic segmentationlidarautonomous driving
发现论文，激发创造
  • 利用本地深度隐函数对 LiDAR 数据进行语义场景补全

    本文提出了一种新型的场景分割网络，基于本地 Deep Implicit Functions 的方法，用于语义场景补全，并将其在经过语义注释的 LiDAR 扫描上验证了其性能的优越性。

    Nov, 2020

  • S3CNet: 面向 LiDAR 点云的稀疏语义场景补全网络

    本文提出了 S3CNet，一种基于稀疏卷积的神经网络，从统一的 LiDAR 点云中预测语义完成场景，并在 3D 任务上取得了最先进的结果

    Dec, 2020

  • 来自单个深度图像的语义场景补全

    本文针对通过单视图深度图来获取场景的完整三维体素表示和语义标签的语义场景完成任务，提出了一种端到端三维卷积神经网络 SSCNet，该网络能够同时输出所有摄像机视图锥体中体素的占用和语义标签。SSCNet 使用基于扩张的三维上下文模块来高效地扩展感受野并进行三维上下文学习。实验结果表明，该联合模型比各自解决每个任务的方法表现更好，并且在语义场景完成任务上优于替代方法。

    Nov, 2016

  • SSC-RS：基于表征分离和 BEV 融合的 LiDAR 语义场景完整性提升

    本文提出了一种基于表示分离和 BEV 融合的方法，名为 SSC-RS，用于室外场景的语义场景补全，并在 SemanticKITTI 数据集上的实验证明该方法取得了最先进的性能。

    Jun, 2023

  • ScanComplete: 3D 扫描的大规模场景完成和语义分割

    ScanComplete 采用数据驱动方法，输入不完整的 3D 扫描场景数据，预测出完整的 3D 模型并附带像素级语义标签，主要贡献在于处理空间范围不同的大型场景，并且在完成质量和语义分割性能等方面都显著优于其他方法。

    Dec, 2017

  • EdgeNet: 从单个 RGB-D 图像完成语义场景

    本文介绍一种新策略，通过边缘检测和翻转截断有符号距离来在 3D 空间中编码颜色信息，同时提出了 EdgeNet，一种能够处理深度和边缘信息的新型端到端神经网络结构，实验结果表明该方法相比现有技术在真实数据上提高了 6.9 % 的性能表现。

    Aug, 2019

  • SCPNet：点云上的语义场景补全

    提出了三种解决方案，包括对完成子网络的重新设计，使用知识蒸馏从多帧模型中提取知识以及完成标签修正，并在 SemanticKITTI 和 SemanticPOSS 数据集上进行了扩展实验。SCPNet 表现出比竞争对手更好的结果，展示了场景完成中学习到的知识对语义分割任务的有益性。

    Mar, 2023

  • LMSCNet：轻量级多尺度三维语义完成

    本文提出了一种新的方法，利用 2D UNet 骨干网络和全面的多尺度跳跃连接强化特征流，并配备 3D 分割头，在语义完成和占用完成方面性能表现优异，且代码可用。

    Aug, 2020

  • 半监督学习在动态场景三维 LiDAR 数据语义分割中的应用

    本文研究在自动驾驶应用中对动态场景中的 3D LiDAR 数据进行语义分割。通过使用 3D LiDAR 数据，构建了一个包括范围图像分割、样本生成、数据关联、跟踪级别注释和半监督学习等方面的语义分割系统，使用半监督学习并结合约束数据和少量标注数据对 CNN 分类器进行训练，设计了一种特殊的损失函数，其中鼓励将约束数据分配到同一语义类别。实验表明，少量标注和大量约束数据的组合显著提高了该方法的有效性和场景适应性，效果比以往的方法提高了 10% 以上。

    Sep, 2018

  • SCP：场景补全预训练用于 3D 物体检测

    通过场景补全预训练（SCP）方法来增强 3D 物体检测器的性能，SCP 具有改进点云模型初始化、消除对额外数据集的需求、减少标注数据量的三个关键优势，并能够使现有的 3D 检测器仅依赖 20% 标注数据即可实现相当性能。

    Sep, 2023