高密度变化的 3D 点云语义分割
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
提出了一种基于点密度感知的体素网络(PDV)方法,通过使用核密度估计和具有点密度位置编码的自注意力,通过聚合体素特征来解决 LiDAR 的点密度变化对 3D 物体检测精度的影响。实验结果表明,PDV 在 Waymo 开放数据集上优于所有最先进的方法,在 KITTI 数据集上取得了竞争性的结果。
Mar, 2022
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
本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法,该方法直接分析经过地形归一化后的点,并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征,且在多个方面上比传统方法表现更优越,其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率,F1 分数比最高准确率方法高 1.69%。此外,本文还展示了该方法可轻松扩展到 2D 语义分割任务。
Oct, 2017
本研究提出了一个新的实时卷积神经网络 ——Lite-HDSeg,用于三维激光雷达点云的智能语义分割,在 SemanticKitti 基准测试中取得了最佳的准确度和计算复杂度平衡。本文提出的方法在机器人和自动驾驶应用中是非常适合的。
Mar, 2021
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
本文提出了一种基于卷积神经网络(CNN)训练的适用于 Velodyne 传感器稀疏 3D 数据编码的方法,用于将稀疏点云分割成地面和非地面点,并表明该方法在速度和精确度方面明显优于 Zhang 等人的最先进方法。
Sep, 2017
使用 Pointnet ++ 模型及创新的采样策略和损失函数,该研究提出了一种基于光学遥感技术 LiDAR 和无人机采集的点云数据的神经网络模型,该模型可以有效地区分森林里木质和叶状物的点,以提高其应用场景中的精确性和可靠性。
May, 2023
本文提出了一种基于点到体素知识蒸馏的方法,通过将隐藏层的知识从点级别和体素级别进行转移,采用困难感知的采样策略和点 - 体素相似度蒸馏,提高了 LiDAR 语义分割任务中教师模型向学生模型的知识压缩效果,同时在两个流行的基准数据集上实现了优于现有方法的精度和速度。
Jun, 2022