Nov, 2023

PotholeGuard: 基于点云语义分割的路面坑洞检测方法

PDF
TL;DR我们的研究提出了一种创新的基于点云的坑洞分割架构（PotholeGuard），通过有效地识别隐藏的特征并利用反馈机制增强局部特征，提高特征表达。我们引入了本地关系学习模块以了解局部形状关系，增强结构洞察力。此外，我们提出了一个轻量级的自适应结构，使用 K 最近邻算法来细化局部点特征，解决点云密度差异和域选择问题。集成了共享 MLP 汇聚特征的方法，促进语义数据的探索和分割引导。在三个公共数据集上进行了大量实验，验证了 PotholeGuard 相比于现有先进方法的卓越性能。我们的方法为强大而准确的 3D 坑洞分割提供了有希望的解决方案，具有道路维护和安全应用的潜力。
发现论文，激发创造
  • 了解邻居在做什么：点云的三维语义分割

    本文介绍了一种深度学习架构，用于解决非结构化点云的三维语义分割问题。与以往的工作相比，我们引入了点群聚合技术，定义了初始世界空间和学习特征空间中的点邻域，并结合专用损失函数，进一步构建了学习点特征空间。我们展示了如何将这些机制应用于点云的三维语义分割任务，并在室内和室外数据集上报告了最新性能。

    Oct, 2018

  • 一种基于点云地图的用于非结构化道路的地面分割方法

    基于点云地图的地面分割方法，通过兴趣区域提取、点云注册和背景减除等步骤，实现了对开采矿场等复杂场景中地面的精确分割，实验结果表明，准确率达到 99.95%。

    Sep, 2023

  • 基于视差转化和路面建模的路面坑洞检测

    本篇论文介绍了一种精确可靠且计算效率高的路面坑洞检测算法，该算法基于非常密集的视差图，利用双黄金分割搜索和动态规划来估计转换参数，然后通过二次曲面拟合表征提取潜在未受损路面区域，通过随机抽样共识算法减少异常点带来的干扰，最后利用重建的三维路面模型提取检测的路面坑洞点云。实验结果表明，该方法的成功检测率约为 98.7％，整体精度约为 99.6％。

    Aug, 2019

  • 用于道路成像和坑洞检测的计算机视觉：系统和算法现状综述

    本文介绍了二 / 三维道路数据获取的传感系统（相机、激光扫描仪和微软 Kinect），并全面综述了用于道路坑洞检测的最先进计算机视觉算法，包括传统的二维图像处理、三维点云建模和分割、以及机器 / 深度学习算法，同时讨论了现有挑战和未来发展趋势。

    Apr, 2022

  • 城市自动驾驶应用的概率语义地图

    本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标，并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。

    Jun, 2020

  • 基于深度学习的三维实例与语义分割：一份综述

    该研究主要讨论了基于深度学习的三维分割在点云数据处理中的应用，并评估了不同分割算法对不同数据集的竞争力以及最常使用的处理流程、其优势、限制、未来研究方向等。

    Jun, 2024

  • RoadScan: 一种新颖且稳健的自动驾驶道路坑洞检测的迁移学习框架

    这篇研究论文介绍了一种使用深度学习和图像处理技术进行坑洼检测的新方法，提出的系统利用 VGG16 模型进行特征提取，并采用自定义的具有三重损失的 Siamese 网络（称为 RoadScan），以解决道路上的坑洼问题对道路使用者的重大风险。

    Aug, 2023

  • 构建点云清洗、平面检测和语义分割的框架

    提出了一个用于建筑模型的框架，针对点云清理、平面检测和语义分割等挑战进行处理，通过自适应阈值技术来清除异常值，并采用稳健的 RANSAC 算法进行平面检测和基于 PointNet 架构的深度学习方法进行建筑物的语义分割，结果表明该框架在建筑模型任务中具有高效和准确性，为建筑模型领域的提高准确性和效率铺平了道路。

    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

  • 基于 Superpoint 图的大规模点云语义分割

    该研究提出了一种基于深度学习的新框架，用于解决数百万点的大规模点云的语义分割挑战。该框架使用超级点图和图卷积网络等技术，取得了室内和户外 LiDAR 扫描分割方面的新成果。

    Nov, 2017