May, 2023

利用全波形闪光激光雷达数据学习材料属性进行语义分割

PDF
TL;DR该研究旨在探究通过全波形反应是否能够确定物体的材料类型或类别，并通过随机森林分类器和时域卷积神经网络分类器训练两种不同的全波形材料分类器，结果表明，TCN 分类器在更广泛的材料范围内表现更好，但入射角度、物体颜色和材料相似性等因素会影响总体性能。
发现论文，激发创造
  • 利用神经网络估计波形的物理参数

    通过利用神经网络的能力，本研究提出了一种基于 LiDAR 数据分析的参数估计的新方法，成功地学习了反演模型，并能够预测诸如深度、衰减系数和底反射率等参数。通过对真实 LiDAR 数据的测试，验证了模型的性能。未来更多的数据可用性将能够提高这类模型的准确性和可靠性。

    Dec, 2023

  • 反射率就是您所需的一切！：推进激光雷达语义分割

    基于校准强度（也称为反射率）的学习型激光雷达语义分割框架在边界模糊环境中表现良好，并通过将强度转换为反射率，提高了离线场景中的平均交并比（mIoU）4％。

    Mar, 2024

  • 极化波前激光雷达：从极化波前学习大场景重建

    该研究介绍了一种新颖的长距离极化波前激光雷达传感器（PolLidar），利用极化波前估计室外场景中的法线、距离和材料特性，并提高了场景重建的准确性。

    Jun, 2024

  • 高光谱物质分析下的空间目标识别和分类

    该研究论文提出了一种数据处理流水线，旨在从未知太空物体的高光谱特征中提取信息，通过单像素图像确定太空物体的物质组成，并使用基于机器学习和最小二乘匹配的技术对物质进行识别和分类，研究了在非理想情况下的物质分类方法的行为，并初步展示了太空物体的鉴定和分类的一些初步结果。

    Aug, 2023

  • 学习面向材料感知的三维形状局部描述符

    通过拍摄来自不同视角的 3D 点的表征，利用投影卷积神经网络架构来学习物质感知描述符，从而实现物质感知的 3D 形状分析，并且通过众包的方式构建了一个 3D 形状数据集，证明了其学习描述符在自动纹理、物质感知检索和物理模拟中的有效性。

    Oct, 2018

  • MemorySeg：基于潜在记忆的在线 LiDAR 语义分割

    本文提出了一种利用过去帧信息改善当前帧预测的基于 LiDAR 点云时序的语义分割模型，通过使用记忆网络存储、更新和检索过去信息，并在点云邻域中惩罚预测变化，构建稀疏的 3D 潜在表示来克服遮挡等限制，实验证明该方法在 SemanticKITTI、nuScenes 和 PandaSet 数据集上比现有方法更有效。

    Nov, 2023

  • 离线激光雷达基于强度的语义分割

    通过使用 LiDAR 强度参数来增强离线道路环境下的物体分割，我们的方法在 RELLIS-3D 数据集上得到了有希望的结果，为学习基于语义分割框架的预测准确性提供了补充输入。

    Jan, 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

  • 感知感知多传感器融合用于 3D LiDAR 语义分割

    本文章提出了一种基于感知信息的多传感器融合策略（PMF），用于自动驾驶等应用中的 3D LiDAR 语义分割，通过两个模态的外观和空间深度信息进行感知信息融合并且提出了感知相关的损失函数用于衡量两种模式之间的差异性，实验结果证明了该方法的优越性。

    Jun, 2021

  • TFNet: 基于时间线索的快速准确 LiDAR 语义分割

    本文提出了一种基于 TFNet 的 LiDAR 语义分割方法，利用时间信息来解决范围图像有限的角度分辨率引起的 “一对多” 问题，并设计了一种基于最大投票的后处理技术来纠正错误预测。在两个基准测试和三种模态的七种主干网络上的实验证明了我们方法的有效性和可扩展性。

    Sep, 2023