Dec, 2023

激光雷达语义分割中利用密度判别特征嵌入的领域泛化

PDF
TL;DR通过引入一种新的方法，即密度识别特征嵌入（DDFE）模块，以及一种简单而有效的密度增强技术，本研究解决了激光雷达感知中的领域泛化问题，并在各种三维主干网络中持续优于现有的领域泛化方法。
lidardomain generalizationpoint cloud density distributionddfe module3d backbone networks
发现论文，激发创造
  • 3D 物体检测的领域泛化：密度重采样

    我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

    Nov, 2023

  • 高密度变化的 3D 点云语义分割

    本文提出了一种名为 HDVNet 的新型架构，针对测量应用程序中的点云具有的大局部密度变化提出解决方案，通过一个嵌套的编码器 - 解码器通路集合来处理特定的点密度范围，有效地处理了输入密度变化，提高了分割精度。

    Jul, 2023

  • 朝未知领域进发：密度递减特征扰动用于半监督语义分割

    基于密度下降的特征扰动（DDFP）是一种新颖的特征级一致性学习框架，旨在通过扰动注入将特征移向密度较低的区域，有效地规范决策边界，并通过轻量级密度估计器实时捕获特征密度分布，该方法在特征级扰动上胜过其他设计并在 Pascal VOC 和 Cityscapes 数据集上展现出卓越的性能。

    Mar, 2024

  • 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

  • 远距离点云配准的密度不变特征

    通过群组对比学习方案，提出了一种提取密度不变几何特征的方法，用于远距离室外 LiDAR 点云的注册，实验证明此特征提取器相比现有方法更强大且密度不变，使得远距离场景的注册召回率分别提高了 40.9% 和 26.9%。

    Jul, 2023

  • DoFE：面向领域的特征嵌入在未见数据集上进行通用眼底图像分割

    提出了一种基于多源学习的领域导向特征嵌入框架来提高卷积神经网络对医学图像分割中看不见的目标领域的泛化能力，并在实现上述领域特征嵌入的同时采用了领域代码预测支路和注意机制使得语义特征和聚合特征得到动态组合， 在实验中表现优异。

    Oct, 2020

  • 具有上下文编码的密度感知卷积网络用于航空 LiDAR 点云分类

    本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。

    Oct, 2019

  • 3D 目标检测中的大感受野策略与重要特征提取策略

    利用 3D 物体检测、LiDAR 点云、动态特征融合模块和特征选择模块以提高网络性能。

    Jan, 2024

  • 基于密度无关的三维物体检测无监督域自适应

    提出一种密度无关的模型，基于点云数据进行 3D 物体检测。采用了一种随机光束重新采样的方法，对目标领域数据进行训练，实现克服领域差异的目的。实验证明该方法显著提高了检测精度和泛化性能，特别在领域数据不均匀的情况下表现优异。

    Apr, 2023

  • LiDAR 3D 物体检测中的点密度感知体素

    提出了一种基于点密度感知的体素网络（PDV）方法，通过使用核密度估计和具有点密度位置编码的自注意力，通过聚合体素特征来解决 LiDAR 的点密度变化对 3D 物体检测精度的影响。实验结果表明，PDV 在 Waymo 开放数据集上优于所有最先进的方法，在 KITTI 数据集上取得了竞争性的结果。

    Mar, 2022