旋转式激光雷达传感器的低延迟实例分割基于连续聚类
探索如何建立一种去除人工延迟限制的目标检测器,而是在流数据上运作来显着降低延迟,该方法有助于减少推理硬件的峰值计算负载,同时实现竞争性甚至优越的预测性能。
May, 2020
本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法,采用了 PointNet 网络模型,成功实现了对各种形状复杂、点云分布不均匀的人工目标(如电力塔)的高效检测和分割。
Oct, 2022
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
本文探究了点云语义分割中类增量学习的问题,比较了不同的连续学习策略和先进的架构,并且在 SemanticKITTI 数据集上获得了与现有方法相当的效果。
Apr, 2023
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
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
本文提出了一种多阶段的 LiDAR 点云预处理和后处理方法,在多扫描设置中结合最先进的模型,旨在解决单次扫描中的挑战,通过对给定模型在单次扫描设置中进行定量评估,我们展示了我们的方法的好处,在中距离和远距离上,mIoU 性能显著提升超过 5 个百分点和 10 个百分点,这对于长距离的三维语义场景理解和离线处理允许的应用至关重要。
May, 2024
无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器,本研究在使用 LiDAR 点云的新编码方式基础上,通过推断自动驾驶车辆附近不同类别物体的位置,实现了对场景中物体位置和方向的预测。
Dec, 2023
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