May, 2023

使用点云卷积进行雷达检测的语义分割

PDF
TL;DR通过将点云处理为无序数据格式，使用 PointCNN 基于深度学习的方法对雷达点云进行语义分割的性能超过基于 PointNet++ 的现有方法，以解决卷积在雷达点云上的不规则性和排列变化性挑战。
autonomous drivingradar sensorsdeep neural networkpoint cloudssemantic segmentation
发现论文，激发创造
  • 用于驾驶场景中点云车辆检测和跟踪的反卷积网络

    本文提出了一种使用 3D 激光雷达信息的汽车检测和跟踪系统，其中检测步骤使用卷积神经网络（CNN），并通过多假设扩展卡尔曼滤波器实现多目标跟踪。此基于激光雷达的方法与基于图像的检测器使用大约相似的结果并仅使用原始数据的 4％。

    Aug, 2018

  • 点卷积神经网络

    本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络，其中核心是点卷积，这是一种可以在点云的每个点上应用的新型卷积算子，并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。

    Dec, 2017

  • 汽车雷达数据中移动物体的同时杂波检测和语义分割

    我们研究了一种新的多头神经网络架构，同时解决了雷达点云中的杂波检测和移动道路用户的语义分割问题，并通过只使用一个输出值来表示网络的预测结果，从而达到了与传统特定任务模型相同的推断时间，我们在 RadarScenes 数据集上的广泛评估中证明了我们的设置非常有效，并且在雷达场景的语义分割上优于现有的任何网络。

    Nov, 2023

  • 具有上下文编码的密度感知卷积网络用于航空 LiDAR 点云分类

    本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。

    Oct, 2019

  • 基于点云的三维全卷积网络车辆检测

    本文将全卷积网络技术扩展到三维，并将其应用于点云数据的车辆检测任务中，实验结果表明该方法在自动驾驶领域的 KITTI 数据集上表现较之前的点云检测方法有显著提升。

    Nov, 2016

  • 遥感场景点云语义分割的双可变形点卷积

    通过学习纬度 - 经度平面和高度方向上的可变形采样点，我们提出了新颖的卷积算子 —— 双可变形点卷积 (TDConvs)，以实现自适应特征学习；在现有的流行基准测试上，实验证明我们的 TDConvs 达到了最佳的分割性能，超过现有的最先进方法。

    May, 2024

  • 基于激光雷达感知的圆柱形和非对称 3D 卷积网络

    该论文提出了一种利用 3D 卷积网络进行 LiDAR 语义分割、全景分割和 3D 检测的新框架，其中采用了柱状分割和非对称 3D 卷积网络来探索 3D 几何模式，该模型在 SemanticKITTI，nuScenes 和 A2D2 上的结果均表现出最先进的性能并在分割和检测任务中显示出很好的泛化性能。

    Sep, 2021

  • 用于 LiDAR 分割的圆柱形和不对称 3D 卷积网络

    该论文提出了一种新的框架，使用圆柱形分区和不对称 3D 卷积网络来探索 3D 几何模式，并引入点智能精炼模块以减轻损失体素标签编码的干扰；测试表明，该方法在 SemanticKITTI 和 nuScenes 数据集上超过现有方法，排名第一并且较现有方法提高了约 4％。

    Nov, 2020

  • 基于 CUDA 的稀疏卷积在 GPU 上的三维点云优化

    近年来，深度学习方法的利用显著增加，尤其是卷积神经网络（CNNs），已成为涉及结构化网格数据的各个领域，如图片分析和处理中的主要方法。然而，在许多领域中，激光雷达和 3D 传感器的指数增长导致了对 3D 点云分析的增加需求。与照片不同，点云呈现稀疏性且缺乏规则网格，因此存在着不同的处理和计算问题，这对于包括物体识别在内的各种应用非常关键。

    Feb, 2024

  • 深度学习技术在三维点云分类和语义分割中的综述

    本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向，重点关注点云分析中的 3D 形状分类和语义分割两个主要任务。

    May, 2024