无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

Dec, 2023

通过使用卷积神经网络和激光雷达数据，本研究旨在提高图像分割的效率，特别是在自动驾驶系统中的道路表面分割任务中，通过减少标注工作量并在不降低分割质量的情况下训练图像分割模型。

Nov, 2023

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

通过介绍一种深度学习框架，本研究旨在自动地将高密度点云分割为有意义的树木实体，以及树组件，并从分割数据中获得相关的生物物理参数。通过测试，该系统在个体树木和五个语义类别的分割上取得了较高的准确性，在树冠相关特征方面表现尤其突出，而对于树直径和位置的估计相对不太可靠，这是由于航空扫描设置的原因。

Dec, 2023

使用 Pointnet ++ 模型及创新的采样策略和损失函数，该研究提出了一种基于光学遥感技术 LiDAR 和无人机采集的点云数据的神经网络模型，该模型可以有效地区分森林里木质和叶状物的点，以提高其应用场景中的精确性和可靠性。

May, 2023

通过使用 LiDAR 传感器和场景语义，我们提供了一种新的仅依靠 LiDAR 传感器的增强型原始扫描的稠密伪点云框架，无需摄像机，该框架首先利用分割模型从原始点云中提取场景语义，然后使用多模态的域转换器生成伪图像分割和深度提示，从而生成一种富含语义信息的稠密伪点云，并通过引入新的语义引导投影方法增强检测性能。

Sep, 2023

本文提出了一种混合方法，结合现有语义分割网络和传统的 LiDAR 点云聚类算法，通过在 SemanticKITTI 数据集的全景分割排行榜上表现出最领先的性能，证明基于几何的传统聚类算法值得考虑，我们是第一个尝试使用聚类算法进行点云全景分割的研究者，记录了四种具有代表性和实时运行速度的聚类方法的综合技术调查，并将它们实现为 Python 函数发布，以便其他研究人员使用。

Aug, 2021

该论文系统地回顾了现有的深度学习体系结构在 LiDAR 点云中的应用，包括用于自动驾驶的特定任务如分割、检测和分类，并总结了近五年来超过 140 个重要贡献，包括 3D 深度架构、3D 语义分割、目标检测和分类方面的深度学习应用以及特定的数据集、评估指标和最新的性能。最终，我们总结了剩余的挑战和未来研究方向。

May, 2020

本文提出了一个从电脑游戏中快速生成带有准确点级别标签的点云的框架，可用于深度学习算法的训练和神经网络的鲁棒性测试并提出了自动标定方法，实验表明将生成的合成数据与训练数据集相结合可显著提高点云分割的准确性 (+9%)，通过从用户配置场景的点云进行神经网络的测试和重新训练，可以修复神经网络的弱点 / 盲点。

Mar, 2018

本论文介绍了一种利用提升式激光雷达（LiDAR）传感器的能力，通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集，通过训练和评估三维物体检测模型，准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据，优化了基于点体素区域的卷积神经网络（PV-RCNN）架构，提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性，并强调了激光雷达对提升城市安全和推动智能交通系统的作用。

May, 2024