基于 LiDAR 点云分割的路缘检测框架 CurbNet
本论文介绍了一种从 LiDAR 传感器捕获的一系列点云中检测三维路缘的方法,该方法包括两个主要步骤:利用分割深度神经网络在每次扫描中检测路缘;然后,利用车辆的里程计数据在重建的点云中估计三维路缘。通过实验证实了该方法的有效性并验证了其可以显著减少手动注释时间并保持数据质量水平。
Dec, 2023
该研究通过设计最大的路缘分割数据集来研究基础模型在路缘分割中的有效性,并发现现有的基础模型在路缘分割方面存在着显著挑战,因为其高误报率和无法快速提供实时辅助,因此提出了筛选边界框的解决方案来实现更准确的路缘分割。总体来说,虽然基础模型具有立即的灵活性,但在实际的辅助技术应用中仍需要改进,并强调了专门的数据集和量身定制的模型训练来解决 PBLV 的导航挑战,并凸显了基础模型的隐含弱点。
Jun, 2024
本文提出了一个名为 StarNet 的基于点云的物体检测系统,利用了点云数据稀疏和三维特征的优点,采用采样策略和数据依赖的 anchors,相比传统卷积方法能够更加灵活和高效地检测道路上行人和其他物体。同时,该系统还可以通过利用时间序列信息和利用先验信息和启发式算法精准地定位需要检测的区域。实验表明,StarNet 相比于传统卷积基线具有更好的检测表现,并且可以在不重新训练的情况下根据需求灵活控制计算成本。
Aug, 2019
本文提出了一种新颖的 LanePtrNet 方法,将车道检测视为有序集上的点投票和分组过程,通过将骨干特征作为输入并预测曲线感知的中心性来表示每条车道并分配最可能的中心点。通过利用局部邻域的特征和跨实例注意力得分,我们设计了一个分组模块,进一步在相邻和播种点之间执行车道聚类。我们的方法还可以作为背骨的替代方案,从而轻松扩展到 3D 车道检测任务。通过进行综合实验,验证了我们提出的方法的有效性,并展示了其卓越的性能。
Mar, 2024
提出了一个用于建筑模型的框架,针对点云清理、平面检测和语义分割等挑战进行处理,通过自适应阈值技术来清除异常值,并采用稳健的 RANSAC 算法进行平面检测和基于 PointNet 架构的深度学习方法进行建筑物的语义分割,结果表明该框架在建筑模型任务中具有高效和准确性,为建筑模型领域的提高准确性和效率铺平了道路。
Feb, 2024
我们的研究提出了一种创新的基于点云的坑洞分割架构(PotholeGuard),通过有效地识别隐藏的特征并利用反馈机制增强局部特征,提高特征表达。我们引入了本地关系学习模块以了解局部形状关系,增强结构洞察力。此外,我们提出了一个轻量级的自适应结构,使用 K 最近邻算法来细化局部点特征,解决点云密度差异和域选择问题。集成了共享 MLP 汇聚特征的方法,促进语义数据的探索和分割引导。在三个公共数据集上进行了大量实验,验证了 PotholeGuard 相比于现有先进方法的卓越性能。我们的方法为强大而准确的 3D 坑洞分割提供了有希望的解决方案,具有道路维护和安全应用的潜力。
Nov, 2023
提出了名为 CPSeg 的新型实时端到端全景分割网络,该网络采用共享编码器、双解码器和无聚类实例分割头,以动态支柱化前景点,通过学习嵌入来获得实例标签,并通过成对嵌入比较找到连接柱来转化传统的基于提案或聚类的实例分割为二元分割问题。在 SemanticKITTI 和 nuScenes 两个大规模自动驾驶数据集上进行了基准测试,结果表明 CPSeg 在两个数据集上都达到了实时方法的最先进水平。
Nov, 2021
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
本文介绍了一种名为 CENet 的图像语义分割网络,采用卷积而非 MLP,精选的激活函数和多个辅助分割头来提高特征描述能力和降低计算时间复杂度,使用公开的基准测试 SemanticKITTI 和 SemanticPOSS 进行的实验表明,与现有模型相比,我们的模型在 mIoU 和推理性能方面均表现更好。
Jul, 2022
该研究设计了 FPS-Net 网络,利用点云投影图像的不同特征进行多模态特征融合,旨在优化点云的分段。该网络的有效性在广泛实验中得到证明,可以实现优于现有方法的语义分割,并且引入的多模态融合思想也兼容于典型的投影方法。
Mar, 2021