Sep, 2023

SCP：场景补全预训练用于 3D 物体检测

PDF
TL;DR通过场景补全预训练（SCP）方法来增强 3D 物体检测器的性能，SCP 具有改进点云模型初始化、消除对额外数据集的需求、减少标注数据量的三个关键优势，并能够使现有的 3D 检测器仅依赖 20% 标注数据即可实现相当性能。
3d object detectionlidar point cloudsscene completion pre-traininglabeled datasemantic relationships
发现论文，激发创造
  • SCPNet：点云上的语义场景补全

    提出了三种解决方案，包括对完成子网络的重新设计，使用知识蒸馏从多帧模型中提取知识以及完成标签修正，并在 SemanticKITTI 和 SemanticPOSS 数据集上进行了扩展实验。SCPNet 表现出比竞争对手更好的结果，展示了场景完成中学习到的知识对语义分割任务的有益性。

    Mar, 2023

  • 基于语义分割辅助的 LiDAR 点云场景补全

    我们提出了一种端到端的语义分割辅助场景补全网络，包括 2D 补全分支和 3D 语义分割分支，以提供语义信息。通过采用 BEV 表示和 3D 稀疏卷积，我们可以从较低的操作数中受益，同时保持有效的表达。此方法在 SemanticKITTI 数据集上表现出有竞争力的性能和低延迟。

    Sep, 2021

  • S3CNet: 面向 LiDAR 点云的稀疏语义场景补全网络

    本文提出了 S3CNet，一种基于稀疏卷积的神经网络，从统一的 LiDAR 点云中预测语义完成场景，并在 3D 任务上取得了最先进的结果

    Dec, 2020

  • 自助学习多模态预训练在 3D 目标检测中的应用

    通过使用与图像相关的 shelf-supervision 模型对配对的 RGB 和 LiDAR 数据进行无监督预训练，我们提出了一种能够生成零样本 3D 边界框的点云表示方法，这种方法在半监督检测中能够显著提高检测准确性，尤其适用于 LiDAR-only 和多模态 (RGB + LiDAR) 检测。我们在 nuScenes 和 WOD 上展示了我们方法的有效性，并在有限数据环境中明显改进了之前的工作。

    Jun, 2024

  • PointSSC：基于协作车辆 - 基础设施点云的语义场景完善基准评测

    实现语义场景补全 (SSC) 的 PointSSC 是首个针对语义场景补全的车辆基础设施合作点云基准，其利用点云作为轻量级替代方案，旨在提供语义标签的室外点云场景基准测试，准确度量验证真实导航中语义点云补全的进展。

    Sep, 2023

  • SPOT: 自动驾驶的可扩展三维预训练方法通过占用预测

    3D LiDAR 激光雷达点云的标注是耗时且耗能的，为了减轻标注的负担，本文提出了 SPOT 方法，该方法通过占据预测进行可扩展的预训练，从而学习可转移的 3D 表征，并在不同数据集和任务的标签效率设置下展示了其有效性。

    Sep, 2023

  • 基于球坐标的学习式点云压缩

    近年来，学习的点云压缩任务得到了广泛关注。本文介绍了一种基于球坐标系的学习式点云压缩（SCP）的模型无关方法，以充分利用点云中的圆形和方位角不变性特征，并提出了用于 SCP 的多级八叉树，以减小球坐标系八叉树中远距离区域的重建误差。实验结果表明，SCP 在点对点 PSNR BD-Rate 方面超过了先前的最先进方法，提高了 29.14%。

    Aug, 2023

  • 使用对比场景语境探索数据高效的三维场景理解

    本文提出一种基于对比场景上下文的三维预训练方法，在数据量和标注不足时实现了全面标注的近乎完全的实例分割和语义分割。

    Dec, 2020

  • 实现实际 3D LiDAR 场景补全的扩展扩散模型

    使用扩散模型方法在单个 3D LiDAR 扫描中完成场景实现了比最先进的完成场景方法更多细节的场景，为扩散模型应用于场景规模点云数据的进一步研究提供了支持。

    Mar, 2024

  • 利用形状补全实现三维类脉冲跟踪

    本文探讨了形状完成技术在 LIDAR 三维物体追踪中的应用，设计了一个 Siamese 追踪器，通过对模型和候选形状进行编码，实现了更好的 3D 物体追踪。在 KITTI 追踪数据上的实验结果表明，该模型将成功率和准确率均提升了 3％以上。

    Mar, 2019