Apr, 2023

PALF: 预注释与相机 - LiDAR 后期融合，用于点云简易注释

PDF
TL;DR本文提出了一种预注释算法和相机 - LiDAR 后期融合算法来方便且准确地注释点云数据，实验结果表明该算法可以提高 6.5 倍的注释速度、提高 3D 交集超过联合和精度 8.2 点和 5.6 点，同时降低失误率 31.9 点。
发现论文，激发创造
  • LATTE: 通过传感器融合、一键标注和跟踪加速 LiDAR 点云注释

    该研究提出了一种名为 LATTE 的 LiDAR 点云注释工具，它采用深度学习和传感器融合的方法，使其具有自动标记、一键注释和跟踪等创新特性，可以加快注释速度，提高标签质量。

    Apr, 2019

  • 利用激光雷达点云的端到端三维物体检测

    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

  • 基于 Lidar 点云的弱监督三维物体检测

    本文提出一种基于弱监督学习的 3D 物体检测方法，只需要少量弱标记场景和少量精确标记的物体实例来训练，而且使用该方法训练的模型可以作为 3D 物体注释器使用，并显示出提高性能的潜力。

    Jul, 2020

  • 基于激光雷达点云辅助的单目三维物体检测

    通过使用粗略标签和无标签雷达点云伪标签，LPCG 可以在自动驾驶系统中显著降低标注成本或显著提高检测准确性，在 KITTI 基准测试和 Waymo 基准测试中都取得了很好的效果。

    Apr, 2021

  • 一种 LiDAR 点云生成器：从虚拟世界到自主驾驶

    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

  • 从稀疏点到稠密点云：通过有限的 LiDAR 数据增强 3D 检测

    提出了一种结合单目和基于点云的三维检测的平衡方法，使用低成本、低分辨率的传感器获取仅有 512 个点，然后将这有限的三维信息与单张图像结合重建完整的三维点云，通过与多模态现成的三维检测器结合使用，使得三维检测的准确率相比于最新的单目检测方法提高了 20%，相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。

    Apr, 2024

  • 激光雷达标注就是您所需的

    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

  • 探测作为标记：重塑 3D 物体检测中的 LiDAR - 相机融合

    三维物体检测中的 LiDAR 和相机相结合开发算法容易出现过拟合问题，为此我们提出了一种名为 DAL 的新方法，通过模仿数据注释流程构建一个简单的预测流水线，并通过简单的训练优化其依赖性和可移植性，在性能、速度和准确性方面均具有综合优势，是未来工作开发和实际部署的理想基准。

    Nov, 2023

  • 高级相机 - LiDAR 融合与机器学习的 3D 物体检测

    本研究提出了一种使用单目摄像头和 LiDAR 数据结合的机器学习技术，通过以国际排名领先的二维物体探测器生成的锥体区域来分割 LiDAR 点云，从而检测运动平台周围的车辆的 3D 边界框参数， 最终验证集准确率达到 87.1％。

    May, 2021

  • 通过超参数调整改进 ONCE 基准

    这项研究聚焦于半监督学习方法在点云数据中的评估，以应对自动驾驶、机器人技术和增强现实等领域对 3D 物体检测的不断增长需求。结果表明，单纯的超参数调整与监督模型的结合能够在 ONCE 数据集上达到最先进的性能，而未标注数据对模型改进的贡献似乎相对较少。

    Nov, 2023