Nov, 2023

COLA: 自动驾驶中的多源粗标签激光雷达语义分割

PDF
TL;DR通过多源训练的新方法，使用 COLA 数据集，在 LiDAR 语义分割领域的几个子领域（包括域泛化、源到源分割和预训练）中得到了系统性的改进。
lidar semantic segmentationautonomous drivingmulti-source trainingcola datasetpre-training
发现论文，激发创造
  • 跨模态和跨领域学习的无监督 LiDAR 语义分割

    该论文介绍了一种新的三维激光雷达语义分割设置，利用交叉模态和跨域学习（CoMoDaL）方法，通过构建混合数据样本和应用多个约束来实现无需标记三维激光雷达数据的分割。

    Aug, 2023

  • ParisLuco3D：LiDAR 感知域泛化的高质量目标数据集

    利用 LiDAR 传感器获取关于场景的精确几何信息支持自动驾驶，本文提供一种新颖的数据集，旨在为源数据集的性能评估提供跨领域评估，同时提供一个灵活的在线基准测试，以确保各种方法之间的公平比较。

    Oct, 2023

  • 多域 LiDAR 语义分割之路 —— 步行您的 LiDOG

    该论文设计了第一个实验环境，研究激光雷达语义分割的域泛化问题。通过提出一种具有传输学习功能的网络模型，有效地减少了领域之间的差距，从而解决了同领域分割方法不能满足跨领域泛化问题的难题。

    Apr, 2023

  • 激光雷达标注就是您所需的

    通过使用卷积神经网络和激光雷达数据，本研究旨在提高图像分割的效率，特别是在自动驾驶系统中的道路表面分割任务中，通过减少标注工作量并在不降低分割质量的情况下训练图像分割模型。

    Nov, 2023

  • 半监督学习在动态场景三维 LiDAR 数据语义分割中的应用

    本文研究在自动驾驶应用中对动态场景中的 3D LiDAR 数据进行语义分割。通过使用 3D LiDAR 数据，构建了一个包括范围图像分割、样本生成、数据关联、跟踪级别注释和半监督学习等方面的语义分割系统，使用半监督学习并结合约束数据和少量标注数据对 CNN 分类器进行训练，设计了一种特殊的损失函数，其中鼓励将约束数据分配到同一语义类别。实验表明，少量标注和大量约束数据的组合显著提高了该方法的有效性和场景适应性，效果比以往的方法提高了 10% 以上。

    Sep, 2018

  • 基于 Discwise 的激活学习用于 LiDAR 语义分割

    本文研究 LiDAR 数据获取、语义分割的主题，提出了基于主动学习的方法，包括顺序标注和半监督学习，以提高标注效率和性能。

    Sep, 2023

  • 自监督镜像雷达蒸馏用于自动驾驶数据

    该研究提出了一种针对自动驾驶数据量身定制的自监督 3D 感知模型预训练方法，使用 superpixels 来池化 3D 点特征和 2D 像素特征，训练 3D 网络来匹配虚拟对应的 2D 像素特征并提取特征，从而实现无需任何点云或图像注释的 3D 语义分割和车辆物体检测，进行了大量的自动驾驶数据集实验以证明其有效性。

    Mar, 2022

  • SALUDA: 基于表面的汽车激光雷达无监督领域自适应

    本文介绍了一种无监督领域自适应的方法，使用隐式表面表示同时在源数据和目标数据上进行学习的辅助任务来缓解不同激光雷达模式或获取条件变化等原因导致的性能差异，实验证明了该方法比现有技术在合成到真实和真实到真实的情况下均取得了更好的性能。

    Apr, 2023

  • 基于 RGB 和 LiDAR 融合的自动驾驶 3D 语义分割

    本文旨在研究基于传感器融合技术的三维语义分割，将 RGB 图像转化为 LiDAR 所使用的极坐标网格映射表示，并设计了早期和中期融合架构，同时提出了融合两种算法的混合融合结构。在 KITTI 数据集中评估了所提出算法的效果，并相对于仅使用 LiDAR 的基线模型，在两种最先进的算法 SqueezeSeg 和 PointSeg 上分别提高了 10% 的分割精度。

    Jun, 2019

  • ConDA: 基于正则化域连接的 LiDAR 分割无监督域自适应

    本文提出了一种基于联合监督信号自训练的 LiDAR Segmentation 领域自适应方法 ConDA，通过构建源域和目标域的中间领域并采用熵聚合器和抗锯齿正则化方法，实现了有效减少噪音伪标签对模型训练的负面影响，并在减轻域间差异方面取得了非常显著的提升。

    Nov, 2021