Jul, 2022

CENet：面向自动驾驶的简洁高效激光雷达语义分割

PDF
TL;DR本文介绍了一种名为 CENet 的图像语义分割网络，采用卷积而非 MLP，精选的激活函数和多个辅助分割头来提高特征描述能力和降低计算时间复杂度，使用公开的基准测试 SemanticKITTI 和 SemanticPOSS 进行的实验表明，与现有模型相比，我们的模型在 mIoU 和推理性能方面均表现更好。
lidar point cloudssemantic segmentationcenetconvolutionauxiliary segmentation heads
发现论文，激发创造
  • 面向实时激光雷达全景分割的中心聚焦网络

    为了实现准确且实时的 LiDAR 全景分割，引入了一种新的中心聚焦网络（CFNet），其中包括了中心聚焦特征编码（CFFE）和快速中心去重模块（CDM），在 SemanticKITTI 和 nuScenes 全景分割基准测试中性能优于现有方法，并且比效率最高的方法快 1.6 倍。

    Nov, 2023

  • Lite-HDSeg：使用轻量级谐波密集卷积进行 LiDAR 语义分割

    本研究提出了一个新的实时卷积神经网络 ——Lite-HDSeg，用于三维激光雷达点云的智能语义分割，在 SemanticKitti 基准测试中取得了最佳的准确度和计算复杂度平衡。本文提出的方法在机器人和自动驾驶应用中是非常适合的。

    Mar, 2021

  • 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

  • 自动驾驶快速场景理解

    本文提出一种基于 ENet 的实时高效实现，可以同时解决语义场景分割、实例分割和单目深度估计三个自动驾驶相关任务，不会因同时运行多个任务而牺牲准确性。

    Aug, 2017

  • KPRNet: 基于投影的激光雷达语义分割的改进

    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

  • 自动驾驶中基于图像导向的深度补全的简明有效网络

    深度补全是自动驾驶中关键的任务之一，旨在将稀疏的深度图转化为密集的深度预测。通过基于 RGB 图像的融合，我们提出了一种简洁而有效的网络结构 CENet，实现了高性能深度补全，具有优秀的准确性和效率。

    Jan, 2024

  • 基于语义分割辅助的 LiDAR 点云场景补全

    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。

    Sep, 2021

  • MultiNet: 自主驾驶实时联合语义推理

    本文提出了一种联合分类、检测和语义分割的方法，其中编码器在三个任务之间共享。该方法非常简单，可以端到端训练，在具有挑战性的 KITTI 数据集中表现良好，在道路分割任务中优于现有技术。而且，我们的方法非常高效，执行所有任务只需要不到 100 毫秒。

    Dec, 2016

  • SegNet4D：自动驾驶环境中有效高效的 4D LiDAR 语义分割

    4D LiDAR 语义分割（也称为多扫描语义分割）是增强自动驾驶车辆环境理解能力的关键。本文介绍了 SegNet4D，一种利用基于投影的方法进行快速动态特征编码的实时多扫描语义分割方法，展示了卓越的性能。SegNet4D 将 4D 语义分割视为两个不同的任务：单扫描语义分割和运动目标分割，分别由专用头部解决，然后在提出的运动 - 语义融合模块中进行融合以实现全面的多扫描语义分割。此外，我们提出从当前扫描中提取实例信息，并将其并入网络以实现实例感知分割。我们的方法在多个数据集上表现出卓越的性能，是一种实时多扫描语义分割方法。SegNet4D 的实现将在 https://github.com/nubot-nudt/SegNet4D 上提供。

    Jun, 2024

  • TwinLiteNet：用于自动驾驶汽车中可行驶区域和车道分割的高效轻量级模型

    本文提出了一种用于驾驶区域和车道线分割的轻量级模型 ——TwinLiteNet，该模型设计成低成本但能够达到准确和高效的分割结果。我们在 BDD100K 数据集上评估了 TwinLiteNet，并与现代模型进行了比较。实验结果表明，TwinLiteNet 与现有方法表现相似，但需要更少的计算资源。尤其是对于可行驶区域任务，TwinLiteNet 的 mIoU 得分为 91.3%，车道检测任务的 IoU 为 31.08%，仅使用了 40 万个参数，在 GPU RTX A5000 上实现了 415FPS。此外，TwinLiteNet 可以在计算能力有限的嵌入式设备上实时运行，特别是在 Jetson Xavier NX 上可以达到 60FPS，使其成为自动驾驶车辆的理想解决方案。

    Jul, 2023