点云语义分割
本研究提出一种简单而灵活的框架,可同时在点云中进行实例和语义分割,通过学习语义感知的点级实例嵌入使实例分割受益于语义分割,同时融合属于同一实例的点的语义特征,以进行更精确的每点语义预测。此方法在 3D 实例分割上表现优异,并显著提高了 3D 语义分割。
Feb, 2019
该研究主要讨论了基于深度学习的三维分割在点云数据处理中的应用,并评估了不同分割算法对不同数据集的竞争力以及最常使用的处理流程、其优势、限制、未来研究方向等。
Jun, 2024
本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法,将点云数据投影到 2D 平面,避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制,并在 Semantic3D 数据集上达到了相对增益 7.9%的最新最佳结果。
May, 2017
本文介绍了一种深度学习架构,用于解决非结构化点云的三维语义分割问题。与以往的工作相比,我们引入了点群聚合技术,定义了初始世界空间和学习特征空间中的点邻域,并结合专用损失函数,进一步构建了学习点特征空间。我们展示了如何将这些机制应用于点云的三维语义分割任务,并在室内和室外数据集上报告了最新性能。
Oct, 2018
本文提出 PointNet 网络,通过直接消耗点云数据并尊重其排列不变性,实现了一个统一的架构,可用于物体分类、局部分割和场景语义解析等多种应用,并在理论和实验方面都有较好表现。
Dec, 2016
本研究介绍了 SEGCloud,一种利用三线性插值和完全连接条件随机场等方式得到端到端三维点级分割的框架,可实现对室内和室外三维数据集进行准确的场景标注。
Oct, 2017
本文对 3D 点云的获取和应用进行了概述,结合传统和先进的分割方法,讨论了点云语义分割在远程感知、计算机视觉和机器人技术等领域的发展和应用,并探讨了该领域面临的挑战和未来研究方向。
Aug, 2019
本文提出了一种基于球形图像的实时端到端语义分割方法 PointSeg,它以从 3D LiDAR 点云转换来的球形图像为输入,并利用卷积神经网络(CNNs)来预测点级语义映射,它采用了轻量级网络 SqueezeNet 进行模型构建,并在 KITTI 3D 目标检测数据集上进行了训练,实验结果表明在单个 GPU 1080ti 上可达到每秒 90 帧的竞争精度,适用于自动驾驶应用。
Jul, 2018