使用嘈杂的伪标签学习 3D 点云中的场景流
本研究提出了一种简单且可解释的目标函数来从点云中计算场景流,既可以用于有监督的学习,又可以用于自监督学习,或者在运行时进行优化,其优于先前相关工作,且在动态环境下的运动分割和点云密集化等应用方面具有即时性。
Oct, 2020
通过自动标记生成大量真实 LiDAR 点云的三维场景流伪标签,采用刚体运动假设模拟自治驾驶场景中的潜在物体级刚体运动,通过更新多个锚点框的不同运动属性,获得整个场景的刚体运动分解。在多个真实数据集上测试,方法在无监督和有监督方法中表现出色,无需手动标记。在 LiDAR KITTI 数据集上,我们的方法将 EPE3D 度量值减少了 10 倍,从 0.190 m 降至 0.008 m。
Feb, 2024
本文研究了基于自监督学习的点云中的 3D 场景流估计和无类别运动预测,通过分片刚性运动估计生成伪场景流标签进行自监督学习,实验证明该方法在自监督场景流学习方面取得了新的最先进性能,并在 nuScenes 数据集上显着优于之前最先进的自监督方法的类别无关运动预测。
Oct, 2023
SSFlowNet 是一种半监督的场景流估计方法,通过混合有标签和无标签的数据,优化标签成本和模型训练精度之间的平衡,主要通过创新地使用伪标签降低对大量标记数据的依赖,并强调点云的几何结构以及引入空间记忆特征来学习顺序时间帧上点之间的几何关系,从而动态构建相关性矩阵以评估每个个体点的场景流依赖性,并通过在 SSFlowNet 中集成流一致性模块,提高了流的一致性估计能力。实证结果表明,SSFlowNet 在伪标签生成方面优于现有方法,适应不同的数据量,并且在场景流估计领域取得了显著的进展。
Dec, 2023
本研究提出了一种新颖的神经网络模型 FlowNet3D,该模型旨在从点云数据中学习场景流,该模型可以通过扫描定位和运动分割等多种应用,对 Lidar 扫描等多种实际场景进行高效准确的场景流处理。
Jun, 2018
本文提出一种基于最优传输的自监督方式,利用多个描述符构建传输成本矩阵并通过质量相等约束鼓励一对一匹配,同时引入随机漫步模块来鼓励伪标签的局部一致性,通过在 FlyingThings3D 和 KITTI 数据集上的全面实验表明,该方法在自监督学习方法中取得了最先进的表现,甚至表现与一些监督学习方法相当,而不需要任何地面真实流进行训练。
May, 2021
本文提出了一种基于生成的深度图的方法,通过引入像素的稠密性来实现直接从 2D 图像学习 3D 场景流,以及利用统计方法和视差一致性损失来解决噪声点的问题,从而达到了更加有效的自监督学习 3D 场景流的目的。实验证明,这种方法优于合成数据集和激光雷达点云学习的方法,在场景流估计任务中表现出更好的稳定性和准确度。
Sep, 2022
本文提出了一种新的自监督训练方法和架构,实现了三维场景流估计,优于传统的结构,包括多层融合技术在内的智能方法。研究结果在 Flyingthings3D 和 KITTI 数据集上均获得了监督和自监督训练的最新成果。
Apr, 2021