SCPNet:点云上的语义场景补全
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
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
实现语义场景补全 (SSC) 的 PointSSC 是首个针对语义场景补全的车辆基础设施合作点云基准,其利用点云作为轻量级替代方案,旨在提供语义标签的室外点云场景基准测试,准确度量验证真实导航中语义点云补全的进展。
Sep, 2023
使用密集 - 稀疏 - 密集的设计,采用几何先验和占据信息,从语义感知和占据感知种子体素中扩散语义,实现基于相机的语义场景完成 (SSC) 框架。在 SemanticKITTI 数据集上的实验结果表明,该方法优于现有的最先进方法。
Dec, 2023
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
本文提出了一种基于几何学的策略来将深度信息与低分辨率体素表示相结合,通过 3D 素描感知特征嵌入编码几何信息并采用半监督先验学习策略来引导占用推理和语义标签的推断,该方案在三个公共基准测试中一致优于现有技术。
Mar, 2020
本文提出了基于单个深度输入的混合网络 PALNet,利用两个流提取 2D 和 3D 特征,使用细粒度深度信息有效捕获场景的上下文和几何线索,并提出了 Position Aware Loss 以确定不同位置的重要性,从而使得场景的不同部分能够得到更好的恢复。文章的实验结果表明了所提出方法的有效性及卓越性能。
Jan, 2020
本文介绍了一种名为 Semantic Scene Completion 的任务,提出了一个使用点和体素来预测 3D 场景语义和占用表示的点 - 体素聚合网络,该网络使用深度点流来高效捕捉场景中的语义信息,以及只含两个 3D 卷积层的轻量化体素流来保持场景的局部结构。通过使用各向异性体素聚合操作融合体素流中的结构细节,以及使用基于语义标签的传播模块来增强点流中的上采样过程,该模型在两个基准测试中超过了当前最先进技术。
Dec, 2021