Dec, 2023

利用室内定位系统标定的自动多模态数据标注

PDF
TL;DR通过融合 LiDAR 和相机数据的学习目标检测方法需要带有标签的训练样本，然而某些特定应用（如仓储机器人或自动化基础设施）需要在现有数据集中没有的语义类别。因此，为了促进快速创建多模态目标检测数据集并减轻人工标注的负担，我们提出了一种新颖的自动标注流程。我们的方法使用室内定位系统（IPS）为点云和图像生成准确的检测标签，完全消除了手动标注的需求。在一项实验中，该系统比与人类基准相比，快速标注感兴趣的物体的速度提高了 261.8 倍，并将端到端数据集创建速度加快了 61.5%。
learned object detectionfusion of lidar and camera dataautomated annotation pipelineindoor positioning system (ips)end-to-end dataset creation
发现论文，激发创造
  • 面向工业环境中多视角单目相机系统的物体姿态估计标注流水线

    在大型工业空间中，物体定位尤其是物体姿态估计对于物料流动操作至关重要。本文提供了一种在大型单目图像数据集上进行标注而无需人工劳动的方法，通过定位空间中的摄像头、将它们的位置与动作捕捉系统统一，以及使用一组线性映射将感兴趣物体的三维模型投影到其真实位置。在工业环境中的自定义数据集上测试，我们的方法能够以人工标注者所需时间的一小部分为数据集中的 26,482 个物体实例提供一致的高质量标注。

    Oct, 2023

  • 室内场景目标检测的更快边界框标注

    本文提出了一种快速边界框注释的方法，该方法分为两个阶段：第一步手动标注数据集的一部分，第二步采用第一阶段注释的模型对其余样本进行注释。我们还介绍了一个新的完全标记的室内场景物体检测数据集，使用几种最先进的模型对其训练，并在速度和准确性方面进行了比较。

    Jul, 2018

  • LATTE: 通过传感器融合、一键标注和跟踪加速 LiDAR 点云注释

    该研究提出了一种名为 LATTE 的 LiDAR 点云注释工具，它采用深度学习和传感器融合的方法，使其具有自动标记、一键注释和跟踪等创新特性，可以加快注释速度，提高标签质量。

    Apr, 2019

  • 融合非专用感知模型的室内场景标记

    我们提出了一种在室内环境中获取语义分割和目标实例检测伪标签的成本效益标注方法，旨在为各种下游任务训练轻量级模型提供便利，通过多视图标注融合阶段，识别和纠正单视图不一致现象，并通过与人工注释的比较和目标导航等下游任务的效果评估，证明了该方法的有效性。

    Nov, 2023

  • 自监督激光雷达分割用于自主室内导航学习

    本研究提出了一种自监督学习方法用于激光雷达帧的语义分割，通过结合 SLAM 和光线追踪算法实现自动化注释，训练预测机器人移动场景中的固定结构和可动目标的深度学习模型，同时改进机器人的导航和本地化性能，为机器人导航和目标定位提供了新的途径。

    Dec, 2020

  • 利用激光雷达点云的端到端三维物体检测

    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

  • 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

  • 自动驾驶中的无监督 3D 感知与 2D 视觉语言蒸馏

    本文介绍了一种多模态自动标注流程，可以生成用于训练开放式类别的无标注 3D 边界框和轨迹，从而处理自动驾驶等安全关键应用中可能在部署后遇到的新物体类型。相比于当前领域的最新研究，我们的方法可以以无监督的方式处理静态和移动的对象，并通过提出的视觉 - 语言知识蒸馏方法输出开放式词汇的语义标签。基于 Waymo 开放数据集的实验证明，我们的方法在各种无监督 3D 感知任务上显著优于先前的工作。

    Sep, 2023

  • 自助学习多模态预训练在 3D 目标检测中的应用

    通过使用与图像相关的 shelf-supervision 模型对配对的 RGB 和 LiDAR 数据进行无监督预训练，我们提出了一种能够生成零样本 3D 边界框的点云表示方法，这种方法在半监督检测中能够显著提高检测准确性，尤其适用于 LiDAR-only 和多模态 (RGB + LiDAR) 检测。我们在 nuScenes 和 WOD 上展示了我们方法的有效性，并在有限数据环境中明显改进了之前的工作。

    Jun, 2024

  • 用少数标注实现机器人实例分割技术来抓取物品

    该研究提出了一种将半监督学习与通过互动学习相结合的新方法，通过观察场景变化学习和利用视觉一致性，从而实现对物体的操作。在两个基准测试中验证了该方法，取得了卓越的性能。

    Jul, 2024