CVPRMar, 2024

具有空间和时间一致性约束的自监督非特定类别运动预测

PDF
TL;DR无标签 LiDAR 点云的自监督运动预测方法证明在运动行为感知、自动驾驶等领域中表现出显著的优势。
motion behaviorautonomous driving systemsmotion predictionself-supervised learninglidar point clouds
发现论文，激发创造
  • 自主驾驶的自监督支柱运动学习

    本文提出了一种基于点云数据和自监督学习的动态估计框架，旨在高效精确地估计自动驾驶汽车与其他动态交通参与者的相对运动状态，并在实验中表现出与有监督方法相当的竞争力。

    Apr, 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

  • ContrastMotion: 大规模 LiDAR 点云自监督场景运动学习

    提出一种基于 LiDAR 的自主驾驶的自监督运动估计器，采用特征级一致性预测场景运动，使用 Soft 判别损失进行对比学习，使用门控多帧融合块自动学习点云帧之间的有效补偿，最终通过支柱关联预测支柱对应概率，进而预测场景运动。

    Apr, 2023

  • 任意运动侦测器：从一系列 LiDAR 点云学习无类别场景动态

    本文提出了一种新的实时方法，基于三维点云序列，采用时间上下文聚合实现动态检测和运动参数估计，可适用于自动驾驶车辆在复杂城市环境下进行安全导航，不仅可以估计车辆或行人等常见道路参与者的运动，还可推广到其他没有在训练数据中出现的物体类别，并对不同的时间上下文聚合策略进行了深入的分析，提供了我们最先进模型与 KITTI 场景流数据集上现有解决方案的比较结果。

    Apr, 2020

  • 点云预测作为 4D 占用预测的代理

    通过将 3D 点云预测任务从非注释 LiDAR 序列转变为时空 (4D) 占据预测任务，我们可以评估和比较各种数据集、传感器和车辆的点云预测算法。

    Feb, 2023

  • 一种面向交通应用的无监督 LiDAR 分割的时空对应方法

    我们解决了在各种交通场景下，对室外 LiDAR 点云进行无监督语义分割的问题，通过建立多帧之间的时空对应关系，将点云序列的时空特征引入强化扩充，融合聚类和伪标签学习，以无监督的学习方式学习辨别特征，展现出在自动驾驶车辆和交叉口基础设施方面的分割性能在 Semantic-KITTI，SemanticPOSS 和 FLORIDA 基准数据集上表现得很有竞争力，该通用框架可以为 LiDAR 点云的统一表示学习方法融入领域知识。

    Aug, 2023

  • 条件运动传递的自监督学习

    本篇研究提出了一种新的基于条件运动传播和稀疏光流技术的自监督学习范式，能够有效地学习视觉表征，并在语义分割、实例分割以及人体解析等多个任务上实现最先进的自监督学习表现，还能实现半自动像素级标注。

    Mar, 2019

  • 使用 3D 时空卷积网络进行自监督点云预测

    本文提出了一种使用 3D LiDAR 扫描来预测未来点云的方法，该方法可用于实现自主移动系统的预测状态估计、避碰和规划，通过使用 2D 范围图像表示扫描数据并连接一系列范围图像来实现端到端的预测，最终通过 3D 卷积来预测未来的 3D 点云，并通过多个数据集进行实验验证，结果表明本文提出的方法比现有的点云预测结构更优且能够很好地适用于新的未知环境。

    Sep, 2021

  • 自主驾驶中基于运动的无监督感知与预测

    本文提出一种使用自学生成流技术的框架，自动学习行驶中的自由运动的物体，以替代在自主驾驶系统中昂贵的人工标注，实现更广泛、准确、自主的交通参与者识别和动作预测。

    Oct, 2022

  • 优化预训练动作模型

    使用自我监督训练改进现有的有监督模型，通过将数据标记和训练分为两个不同的阶段，并结合简单的技术来稠密化和重平衡伪标签，从而在实际视频中实现可靠的增益，适用于短期（基于流）和长距离（多帧）像素跟踪。

    Jan, 2024