CVPRFeb, 2024

3DSFLabelling: 通过伪自动标注提升三维场景流估计

PDF
TL;DR通过自动标记生成大量真实 LiDAR 点云的三维场景流伪标签，采用刚体运动假设模拟自治驾驶场景中的潜在物体级刚体运动，通过更新多个锚点框的不同运动属性，获得整个场景的刚体运动分解。在多个真实数据集上测试，方法在无监督和有监督方法中表现出色，无需手动标记。在 LiDAR KITTI 数据集上，我们的方法将 EPE3D 度量值减少了 10 倍，从 0.190 m 降至 0.008 m。
3d scene flowlidar point cloudspseudo labelsauto-labellingmotion decomposition
发现论文，激发创造
  • 在伪激光雷达上进行 3D 场景流估计：填补点运动估计的差距

    本文提出了一种基于生成的深度图的方法，通过引入像素的稠密性来实现直接从 2D 图像学习 3D 场景流，以及利用统计方法和视差一致性损失来解决噪声点的问题，从而达到了更加有效的自监督学习 3D 场景流的目的。实验证明，这种方法优于合成数据集和激光雷达点云学习的方法，在场景流估计任务中表现出更好的稳定性和准确度。

    Sep, 2022

  • 真实世界点云的可伸缩场景流

    本文介绍一种新的基于运动跟踪的大规模数据集并提出适用于全点云的 FastFlow3D 架构，以更好地进行场景流预测并提高现实世界的表现。

    Mar, 2021

  • 基于局部刚性先验的自监督三维场景流估计和运动预测

    本文研究了基于自监督学习的点云中的 3D 场景流估计和无类别运动预测，通过分片刚性运动估计生成伪场景流标签进行自监督学习，实验证明该方法在自监督场景流学习方面取得了新的最先进性能，并在 nuScenes 数据集上显着优于之前最先进的自监督方法的类别无关运动预测。

    Oct, 2023

  • 使用嘈杂的伪标签学习 3D 点云中的场景流

    本文提出一种利用单目 RGB 图像和点云生成伪场景流标签进行训练的方法，通过采用点云中的几何信息和单目图像中的外观信息，以及利用几何关系的噪声标签感知训练网络的技术来实现对点云中的伪场景标签推断，从而进一步降低对训练的负面影响。实验结果表明，该方法不仅优于现有一些自监督方法，而且还优于使用准确的地面实况的一些监督方法。

    Mar, 2022

  • 自动驾驶场景流的激光雷达重新评估

    通过应用 ICP 运动补偿和分段刚性假设约束，结合测试时间优化方法，自监督 LiDAR 场景流估计技术可以更加有效地解决主要挑战，而不需要训练数据，提升了真实数据上的性能。

    Apr, 2023

  • 让其流动：3D 流动和物体聚类的同时优化

    我们研究了从真实大规模原始点云序列中自监督估计 3D 场景流的问题，该问题对于轨迹预测或实例分割等各种任务至关重要。我们提出了一种新颖的聚类方法，允许组合重叠的软聚类和非重叠的刚性聚类表示。我们的方法在多个具有 LiDAR 点云的数据集上进行了评估，证明了优于自监督基线的卓越性能，达到了最新的技术水平。特别是在解决含有行人、骑自行车者和其他易受伤害道路用户的复杂动态场景中，我们的方法表现出色。我们的代码将公开提供。

    Apr, 2024

  • 刚性三维场景流的弱监督学习

    利用物体水平推理，我们提出了一种数据驱动的场景流估计算法，适用于近期发布的无人驾驶大规模数据集。我们的方法能够提供从点流到刚性物体的全局场景理解的低级和高级线索，并在四个不同的无人驾驶数据集上展示了其有效性和泛化能力。

    Feb, 2021

  • 关于点云的变形和对应关系感知的无监督合成场景流估计

    本文介绍了一种利用自动生成的样本和伪标签的自适应框架来提高点云场景流预测模型在不同场景下的泛化性能的方法。

    Mar, 2022

  • 学习 3D 点云中的场景流

    本研究提出了一种新颖的神经网络模型 FlowNet3D，该模型旨在从点云数据中学习场景流，该模型可以通过扫描定位和运动分割等多种应用，对 Lidar 扫描等多种实际场景进行高效准确的场景流处理。

    Jun, 2018

  • 基于遮挡引导的自监督三维点云场景流量估计

    本文提出了一种新的自监督训练方法和架构，实现了三维场景流估计，优于传统的结构，包括多层融合技术在内的智能方法。研究结果在 Flyingthings3D 和 KITTI 数据集上均获得了监督和自监督训练的最新成果。

    Apr, 2021