基于校准强度(也称为反射率)的学习型激光雷达语义分割框架在边界模糊环境中表现良好,并通过将强度转换为反射率,提高了离线场景中的平均交并比(mIoU)4%。
Mar, 2024
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
在该研究中,我们使用 LIDAR 数据和已标注的离路 LIDAR 数据集来生成 RADAR 标签,并将 RADAR 数据表示为图像,从而应对离路情景下 RADAR 数据的语义分割的固有复杂性。通过实际数据集的验证,我们的实用方法突显了 RADAR 技术在离路环境导航应用中的潜力。
Oct, 2023
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
本文研究了 LiDAR 配置转变对三维 LiDAR 点云语义分割模型性能的影响,结果表明传感器和空间域转变显著影响了基于 LiDAR 的语义分割模型的性能,更高分辨率的传感器对相同类型的传感器性能优化,并且当存在空间域变化时,更高分辨率不一定导致更好的性能。
Jun, 2023
通过执行多尺度的激光雷达 - 图像融合,结合使用不确定性感知的伪标签,提高 RGB 图像和单次激光雷达扫描产生的语义地形图的准确性,进而在具有挑战性的越野环境中实现可靠和安全的自主导航。
本研究提出了一个新的实时卷积神经网络 ——Lite-HDSeg,用于三维激光雷达点云的智能语义分割,在 SemanticKitti 基准测试中取得了最佳的准确度和计算复杂度平衡。本文提出的方法在机器人和自动驾驶应用中是非常适合的。
Mar, 2021
本文研究在自动驾驶应用中对动态场景中的 3D LiDAR 数据进行语义分割。通过使用 3D LiDAR 数据,构建了一个包括范围图像分割、样本生成、数据关联、跟踪级别注释和半监督学习等方面的语义分割系统,使用半监督学习并结合约束数据和少量标注数据对 CNN 分类器进行训练,设计了一种特殊的损失函数,其中鼓励将约束数据分配到同一语义类别。实验表明,少量标注和大量约束数据的组合显著提高了该方法的有效性和场景适应性,效果比以往的方法提高了 10% 以上。
Sep, 2018
本文提出了一种基于三维激光雷达测距扫描和神经网络对语义信息进行提取的建图及定位方法,实现了对运动物体的有效滤波和语义信息约束下的扫描匹配,与现有基于几何约束的方法相比,实验结果表明其性能更优。
May, 2021