本文介绍了一种名为 CENet 的图像语义分割网络，采用卷积而非 MLP，精选的激活函数和多个辅助分割头来提高特征描述能力和降低计算时间复杂度，使用公开的基准测试 SemanticKITTI 和 SemanticPOSS 进行的实验表明，与现有模型相比，我们的模型在 mIoU 和推理性能方面均表现更好。

Jul, 2022

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

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

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

本技术报告介绍了 HIKVISION_LiDAR_Det 在 waymo 开放数据集的实时 3D 检测挑战中的方法。我们采用了 center attention head 和 feature pyramid network neck 等多种方法来将 CenterPoint 框架进行优化。同时，采用了 batchnorm merge、fp16 常量微调和 GPU 加速的体素化处理等方法来实现实时检测。通过这些方法，我们的团队在 waymo 开放数据集上实时 3D 检测挑战中排名第 6。

Jun, 2021

本文提出了 Dynamic Shifting Network (DS-Net)，作为点云领域强大的全景分割框架，具有端到端的语义和实例分割能力，采用可变核函数的动态偏移聚类模块，采用基于共识的融合来应对语义和实例预测之间的分歧，并在 SemanticKITTI 和 nuScenes 数据集上取得了优秀的性能表现。

Nov, 2020

CPGNet-LCF 是一个新的多模态融合框架，通过继承 CPGNet 的易于部署和实时能力来解决合并 LiDAR 和相机之间弱校准的挑战，在训练过程中引入一种新颖的弱校准知识蒸馏策略以提高其对弱校准的鲁棒性，实现了在 nuScenes 和 SemanticKITTI 基准测试上的最先进性能，并且可在单个 Tesla V100 GPU 上以 20ms 每帧的速度运行，进一步展示了我们提出的方法的鲁棒性。

Oct, 2023

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

通过稀疏跨尺度注意力网络，结合全局体素编码注意力捕捉实例上下文的长距离关系，以提高过分割大型对象的回归精度，并采用实例中心的稀疏无类表示来处理面积聚合点，实现稀疏卷积以减少网络计算量。在 SemanticKITTI 数据集上，我们的方法在 3D LiDAR 全景分割任务中取得了很大进展，以实时推理速度获得了第一名。

Jan, 2022

我们提出了第一个激光雷达 - 相机全景分割网络（LCPS），通过三阶段的激光雷达 - 相机融合策略，在 NuScenes 数据集上改进了约 6.9% 的 PQ 性能，进一步的实验证明了我们的新框架的有效性。

Aug, 2023