基于激光雷达的全景分割与追踪

Oct, 2023

Lidar Panoptic Segmentation and Tracking without Bells and Whistles

Abhinav Agarwalla, Xuhua Huang, Jason Ziglar, Francesco Ferroni, Laura Leal-Taixé...

TL;DR本文提出了一个简单而有效的基于检测的网络，用于激光雷达全景分割和追踪任务，通过使用点级别注释训练目标实例检测分支，以及使用轨迹级别监督回归模态中心和物体范围来获取细粒度实例段，该方法在多个 3D/4D LPS 基准测试中表现出色，超过最新的基于查询的模型，建立了新的开源模型的最新技术水平。

Abstract

State-of-the-art lidar panoptic segmentation (LPS) methods follow bottom-up segmentation-centric fashion wherein they build upon semantic segmentation networks by utilizing clustering to obtain object instances. In this paper, we re-think this approach and propose a surprisingly simple

lidar panoptic segmentation detection-centric network point-level annotations trajectory-level supervision state-of-the-art models

发现论文，激发创造

EfficientLPS: 高效的激光雷达全景分割

本文提出了一种名为 EfficientLPS 的创新型自顶向下的 LiDAR 全景分割框架来解决 LiDAR 点云分割中的多个挑战，包括距离依赖的稀疏性、严重遮挡、大规模变化和重投影误差，并在两个大型 LiDAR 数据集上实现了状态 - of-the-art 的效果。

Feb, 2021

PANet: 稀疏实例提议和聚合的 LiDAR 全景分割

本篇论文提出了名为 PANet 的新型 LiDAR 宽景分割 (LPS) 框架，采用便于生成稀疏种子点的平衡采样，泡沫位移和连通组件标签算法直接将物点分组形成实例，通过实例聚合模块来提高大型物体的 LPS 性能。与其他文献相比，在 SemanticKITII 验证和 nuScenes 验证中，PANet 在宽景分割任务中的表现达到了最高水平。

Jun, 2023

大规模 LiDAR 点云中精确实例分割的研究

研究通过聚类策略和点嵌入来改进全景分割的实例分割步骤，以解决同一个语义类别附近实例分割的挑战，实验证明该策略的有效性和多样性。

Jul, 2023

Panoptic-PolarNet：无需提议的 LiDAR 点云全景分割

提出了一种名为 Panoptic-PolarNet 的快速而强健的 LiDAR 点云全景分割框架，使用极坐标鸟瞰图表示进行语义分割和类无关实例聚类，以解决城市街景中实例的遮挡问题，实验结果表明 Panoptic-PolarNet 在 benchmark 数据集上表现优异。

Mar, 2021

CPSeg：基于 3D LiDAR 点云的无聚类全景分割

提出了名为 CPSeg 的新型实时端到端全景分割网络，该网络采用共享编码器、双解码器和无聚类实例分割头，以动态支柱化前景点，通过学习嵌入来获得实例标签，并通过成对嵌入比较找到连接柱来转化传统的基于提案或聚类的实例分割为二元分割问题。在 SemanticKITTI 和 nuScenes 两个大规模自动驾驶数据集上进行了基准测试，结果表明 CPSeg 在两个数据集上都达到了实时方法的最先进水平。

Nov, 2021

Panoster: 基于端到端的 LiDAR 点云全景分割

本文提出了一种名为 Panoster 的新型无需分类器的全景分割方法，通过学习聚类解决方案来生成类不可知分割，不仅快速而且能够在 SemanticKITTI 基准测试中超过现有方法，并展示了如何在现有的语义架构中灵活地有效地应用我们的方法来提供全景预测。

Oct, 2020

LiDAR 全景分割中传统点云聚类方法的技术调研和评估

本文提出了一种混合方法，结合现有语义分割网络和传统的 LiDAR 点云聚类算法，通过在 SemanticKITTI 数据集的全景分割排行榜上表现出最领先的性能，证明基于几何的传统聚类算法值得考虑，我们是第一个尝试使用聚类算法进行点云全景分割的研究者，记录了四种具有代表性和实时运行速度的聚类方法的综合技术调查，并将它们实现为 Python 函数发布，以便其他研究人员使用。

Aug, 2021

4D 全景式激光雷达分割

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

Panoptic-PHNet: 通过聚类伪热度图实现实时高精度 LiDAR 全景分割

本文提出了一种快速高效的基于 LiDAR 的 Panoptic-PHNet 框架，其引入簇伪热图作为新的范例，提出了 knn-transformer 模块来精确回归前景点之间的相互作用，并将细粒度体素特征与不同感受野的 2D 俯瞰视图（BEV）特征融合，通过在 SemanticKITTI 数据集和 nuScenes 数据集上的大量实验证明 Panoptic-PHNet 超过了最先进方法，在真实时间内实现了极高的性能。

May, 2022

基于密集检测的实时全景分割

本文提出了一种基于密集检测和全局自注意力机制的新型单次全景分割网络，该网络采用参数自由的掩码构建方法，大大降低了计算复杂度，实现了高效的实时性能，并在 Cityscapes 和 COCO 基准测试上取得了很好的效果。

Dec, 2019