SuperLine3D:自监督 LiDAR 点云线段分割和描述
本文提出了第一种单一深度神经网络同时进行线段检测和描述。通过自我监控训练,我们的方法不需要任何注释的线标签,并且可以推广到任何数据集。在多视图数据集及实际应用中,本方法相较以往的线条检测与描述算法拥有更高的稳定性和匹配度,是向学习特征点方法迈出的第一步。
Apr, 2021
我们提出了一个大规模的三维车道数据集 LiSV-3DLane,其中包含 2 万帧环视 LiDAR 点云,通过丰富的语义注释,捕捉了城市和高速公路环境中的复杂车道模式。为了解决稀疏的 LiDAR 数据在车道标注中的问题,我们利用车道线的几何特征和 LiDAR 数据的固有空间属性,设计了一个简单而有效的自动标注流程。我们还提出了一种新颖的基于 LiDAR 的三维车道检测模型 LiLaDet,将 LiDAR 点云的空间几何学习融入到基于 Bird's Eye View(BEV)的车道识别中。实验结果表明,LiLaDet 在 K-Lane 数据集和我们的 LiSV-3DLane 上的三维车道检测任务中优于现有的基于摄像头和 LiDAR 的方法。
Sep, 2023
本文提出了一种用于大规模无序点云的三维线段检测的简单而高效的算法,基于点云分割和二维线段检测,能够有效地提取三维线段,以消除离群点和合并相邻的三维线段。
Jan, 2019
通过无监督学习的方法,使用 LiDAR 传感器,构建了一个算法来预测 3D 场景中的实例分割,其中通过权重代理图生成 3D 实例掩模建议,并使用自我训练算法对初始嘈杂的提议进行强化,以生成场景级实例分割。在 SemanticKITTI 基准测试中,该方法相较于最佳基准模型获得了 13.3% 的平均准确率和 9.1% 的 F1 分数提升。
Mar, 2024
该研究提出了一种针对自动驾驶数据量身定制的自监督 3D 感知模型预训练方法,使用 superpixels 来池化 3D 点特征和 2D 像素特征,训练 3D 网络来匹配虚拟对应的 2D 像素特征并提取特征,从而实现无需任何点云或图像注释的 3D 语义分割和车辆物体检测,进行了大量的自动驾驶数据集实验以证明其有效性。
Mar, 2022
本论文提出一种基于自监督学习的点云深度感知模型预训练方法,通过表面重建预训练任务和基于潜在向量的感知头来抓取表面信息的语义片段并提高对象检测和场景语义分割性能。
Dec, 2022
利用线云和 Line-Patch Transformer 算法,从多视图图像中提取的 3D 线段,生成建筑物结构线框的三维模型,并与多个基线建筑重建方法进行对比,以此验证本研究提出的方法的有效性。
Aug, 2022
本研究提出了一种自监督学习方法用于激光雷达帧的语义分割,通过结合 SLAM 和光线追踪算法实现自动化注释,训练预测机器人移动场景中的固定结构和可动目标的深度学习模型,同时改进机器人的导航和本地化性能,为机器人导航和目标定位提供了新的途径。
Dec, 2020
通过利用 LiDAR 数据辅助进行无监督的二维对象检测,同时采用基于 3D 点云和 2D 图像特征的迭代分割标签网络对候选对象进行标签生成和训练,从而解决了之前存在的问题,得到了较为合理的检测结果。
Nov, 2020