TFNet: 基于时间线索的快速准确 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
我们提出了一种简单而强大的 FRNet,该网络通过与对应的锥形 LiDAR 点恢复了范围图像像素的上下文信息。实验证明,FRNet 在保持高效率的同时实现了具有竞争力的性能。
Dec, 2023
为实现自动驾驶和智能机器人的感知系统中对激光雷达传感器进行实时分割,本文提出了一种名为 Meta-RangeSeg 的新方法,该方法引入了全新的范围残差图像表示来捕获二三维之间的空间 - temporal 信息,并使用有效的 U-Net 骨干和特征聚合模块来提取多尺度特征,进一步强化范围通道的作用。
Feb, 2022
该论文讨论了自动驾驶汽车中的 3D 环境理解和解释问题,提出了一种基于递归分割架构的方法,该方法将时间序列信息与语义学信息相结合,充分利用了时间信息,提高了分割结果的准确性和效率。
Mar, 2021
本文提出了一种基于三维激光雷达测距扫描和神经网络对语义信息进行提取的建图及定位方法,实现了对运动物体的有效滤波和语义信息约束下的扫描匹配,与现有基于几何约束的方法相比,实验结果表明其性能更优。
May, 2021
本文应用 Vision Transformers 和卷积解码器改进了基于投影的 3D 语义分割方法以获得更好的结果,并在 nuScenes 和 SemanticKITTI 数据集上超过了现有的投影方法。
Jan, 2023
本研究提出了一种多尺度 LiDAR 辅助透视变换神经网络,利用点云信息将图像特征投影到俯视图中,从而在大幅度提升语义网格生成方面取得了实质性的进展,实现了 25FPS 的实时性能。
Feb, 2023
该研究设计了 FPS-Net 网络,利用点云投影图像的不同特征进行多模态特征融合,旨在优化点云的分段。该网络的有效性在广泛实验中得到证明,可以实现优于现有方法的语义分割,并且引入的多模态融合思想也兼容于典型的投影方法。
Mar, 2021
提出一种新的 4D 全景 LiDAR 分割方法,将语义类和时间一致的实例 ID 分配给 3D 点序列,使用点为中心的评估度量来确定每个点的语义类别,将对象实例建模为 4D 时空域中的概率分布,从而以更高效的方式处理多个点云。这项工作展望未来的超高效 LiDAR 全景感知。
Feb, 2021
通过 SpotNet 方法,结合 LiDAR 传感器融合 2D 和 3D 检测任务,实现稀疏 LiDAR 支持下准确的远距离 3D 目标检测,并且能够在不重新训练的情况下将检测结果从 2MP 分辨率图像转移到 8MP 分辨率图像上。
May, 2024