Dec, 2023

基于 3D 点云的太空舱无监督变化检测

PDF
TL;DR提出了一种基于点云的场景变化检测算法，以实现未来太空栖息地的自主机器人照料，该算法使用原始未标记点云作为输入，并通过修改的期望最大化高斯混合模型聚类和地球移动距离的比较来进行变化检测，并使用 NASA Ames Granite 实验室的测试数据集进行定量和定性验证及运行时间分析。
scene change detectionpoint cloudsautonomous robotic caretakingexpectation-maximization gaussian mixture modelearth mover's distance
发现论文，激发创造
  • DC3DCD：多类别三维点云变化检测的无监督学习

    本文提出了一种无监督方法 DeepCluster 3D Change Detection（DC3DCD），用于检测和分类多类变化，基于 3D 点云，并在模拟和真实数据集上进行了评估，结果深度聚类与标记方法相比具有较高的准确性和竞争性。

    May, 2023

  • 微重力环境下多智能体三维地图重建和变化检测的自由飞行机器人

    建议一个多智能体合作、能够进行地图绘制和变化检测的框架，旨在为未来的微重力后勤外科小型天然卫星上的协助性自由飞行机器人提供独立运行能力。

    Nov, 2023

  • 利用学习到的地点识别描述符和点到体素比较在稀疏两时刻点云中进行不规则变化检测

    本文提出一种基于深度学习的点云配准和不规则物体提取的三维点云变化检测方法，并利用地图合并算法建立一个公共的坐标系，通过提取 3D 点云的鲁棒且具有区分性的特征来检测连续点云帧之间的变化并且找到变化区域，最后通过与两个时间点比较来提取任何导致该区域改变的障碍物。该方法在现场实验中得到成功评估，能够检测出 3D 点云中的不同类型的变化，具有构筑物施工安全监控，测绘和勘探等领域的重要应用和发展前景。

    Jun, 2023

  • 变化检测的隐式神经表示

    基于 3D 空中 LiDAR 点云对比的无监督方法，使用神经场和高斯混合模型进行形状重建和变化分类，对多种场景进行了对比实验并在联合度量上实现了 10% 的改进，同时在考古领域的非法挖掘识别实验中也取得了一致结果。

    Jul, 2023

  • 3D 变化检测：通过 2D 分割掩模

    该研究论文提出了一种无监督的物体发现方法，通过 3D 变化检测和 2D 分割任务的组合，利用图优化技术将 2D 分割信息应用于 3D 空间，从而提高初始不完全的 3D 变化检测的准确性。实验证明该方法在 3D 扫描数据集上表现优于竞争基线算法，取得了最先进的效果。

    Dec, 2023

  • 点云预测作为 4D 占用预测的代理

    通过将 3D 点云预测任务从非注释 LiDAR 序列转变为时空 (4D) 占据预测任务，我们可以评估和比较各种数据集、传感器和车辆的点云预测算法。

    Feb, 2023

  • 基于自交叉 Transformer 模型的点云变化检测器研究

    在这篇论文中，我们利用 3D 点云构建了一个适用于变化检测的网络，并提出了一种新的适用于变化检测的模块 Cross transformer。同时，我们使用我们的网络对隧道数据进行变化检测的测试实验。

    Sep, 2023

  • 改变你所期望的 (现在以 3D 呈现)

    该论文旨在检测不同摄像机位置和不同时间实例获得的同一 3D 场景的两幅 “自然环境中” 的图像之间发生的变化，通过贡献一个基于合成数据训练的、类别不可知的变化检测模型，使用 “登记与差异” 方法，能够在没有精细调整的情况下对真实世界图像进行准确处理，并且无需额外的地面真实数据。同时，作者还提供了一组用于评估的实际图像对，其中包含人工标注的差异，并展示了该方法的有效性。

    Aug, 2023

  • 遥感多视角图像的自监督变化检测

    本文提出了一种基于多视角对比损失的自监督无监督远程感知变化检测方法，利用伪孪生网络在大型数据集上进行对比式预训练。实验表明该方法能够显著提高状态最先进的无监督方法的准确性，并使无监督和有监督变化检测之间的差距变小。

    Mar, 2021

  • 使用深度几何描述符在 3D 点云中进行异常检测

    提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法，该方法将学生 - 教师异常检测框架适应到三维领域，并利用一种自监督预训练策略构建具有表达能力的教师网络，实现局部几何描述符的提取，实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。

    Feb, 2022