Mar, 2024

仿佛是场景流！

PDF
TL;DR现有的场景流方法普遍无法描述小物体的运动，而当前的场景流评估协议通过对许多点进行平均处理来隐藏这种失败，我们提出了一种新的评估协议，Bucket Normalized EPE，它是类感知的且速度标准化的，可以在移动速度迥异的不同对象类型之间进行情境化的错误比较，为了凸显当前方法的失败，我们提出了一种令人沮丧地简单的有监督场景流基线，TrackFlow，通过将高质量预训练检测器（使用多种类平衡技术进行训练）融合到简单的追踪器上，产生了在当前标准评估上的最新性能并在我们的新评估中相对于先前的技术有了显著的改进，我们的结果表明，所有的场景流评估都必须具备类和速度的意识，有监督的场景流方法必须解决点类不平衡的问题，我们公开发布了评估代码在指定的 URL 链接中。
scene flowevaluation protocolmotion on small objectssupervised scene flowclass and speed aware
发现论文，激发创造
  • 3D 场景流网络的关键要素

    作者提出了一种新的全对全 (SOTA) 流嵌入层，具有向后可靠性验证并解决了同时考虑局部和全局与前后方向点云的三维场景流估计问题，在 FlyingThings3D 和 KITTI 场景流数据集上表现出至少 38.2％和 24.7％的 SOTA 性能。

    Jul, 2022

  • 使用场景流对点云序列的鸟瞰视图表示进行对齐

    研究了利用场景流纠正车辆自运动补偿方法（EMC）中所存在的影子效应， 并提出了一种插件模块，该模块使用场景流来纠正 3D 目标检测的鸟瞰图表示，实验表明，该模块可显著提高大型车辆的平均精度（高达 16％）。

    May, 2023

  • SeFlow: 无人驾驶中的自监督场景流方法

    本文提出了一种自我监督方法 SeFlow，能够通过将动态点进行分类来改善学习场景流流程的性能，尤其是在物体的细节上，从而实现自主车辆精确预测和理解环境动态变化的能力。

    Jul, 2024

  • 快速神经场景流

    本文提出了一种名为 “快速神经场景流”（FNSF）的方法，通过使用距离变换（DT）作为损失函数，使运行时间大大缩短，使其无需训练和偏见，从而实现了与当前最先进的学习方法相当的实时性能并成功在两个最大的自主驾驶（AV）激光雷达数据集 Waymo Open 和 Argoverse 上运行。

    Apr, 2023

  • 跟随视觉流动：自监督场景光流估计

    本文介绍了一种使用自我监督的技术，基于最近邻和循环一致性，来训练场景流模型，从而解决在自动驾驶过程中对高动态环境的非刚性物体移动的计算问题，并且其性能优于当前标注了实际场景流数据的最新的有监督学习方法.

    Dec, 2019

  • 基于流引导的视频目标检测特征聚合

    该研究提出了一种基于流引导特征聚合的视频物体检测学习框架，该框架通过沿着运动路径聚合邻近特征来提高视频的识别精度，避免了视频中物体外观退化的问题，并且完全可训练，与 ImageNet VID 挑战的最佳工程系统相当

    Mar, 2017

  • 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

  • ScopeFlow: 光流的动态场景分层

    通过改进训练流程中的采样偏差、优化正则化和数据增强参数，并应用于一个参数较低的体系结构中，使其在 MPI Sintel 和 KITTI 基准测试中的表现均优于同类算法。

    Feb, 2020

  • FastFlow: 基于二维正则化流的无监督异常检测和定位

    本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow，并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用，以进行无监督的异常检测和定位。实验结果表明，FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法，其在异常检测方面达到了 99.4％的 AUC。

    Nov, 2021

  • SceneTracker：长期场景流估计网络

    本研究介绍了一种名为 SceneTracker 的基于学习的长期场景流估计（LSFE）网络，通过迭代方法来近似最优轨迹，并同时动态索引和构建外观和深度相关特征，并采用 Transformer 探索和利用轨迹之间的长程连接。通过详细实验，SceneTracker 展示了处理三维空间遮挡和深度噪声干扰的卓越能力，非常适合 LSFE 任务的需求。SceneTracker 的代码可在此 URL 获取：https:// 该网址。

    Mar, 2024