Mar, 2024

SceneTracker：长期场景流估计网络

PDF
TL;DR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。
scene flow estimation3d object trackinglong-term motionlong-term scene flow estimationscenetracker
发现论文，激发创造
  • 从点云序列学习场景动态

    提出了一个新问题 -- 顺序场景流估计（SSFE），旨在从给定序列中估计所有点云对的三维场景流。引入 SPCM-Net 架构来解决该问题，利用时间和空间的多尺度相互关系以及顺序不变的循环单元来聚合关联。通过实验验证表明，与仅使用两个帧相比，处理点云序列的递归处理结果更好。这一方法可有效地修改为顺序点云预测（SPF）的问题，并使用自监督训练和评估指标进行实验结果的评估。提供了新的基准数据集，对多帧估计和预测进行测试，这将在未来的研究中起到重要作用。

    Nov, 2021

  • 自监督多帧单眼场景流

    本文通过自监督学习介绍了一种基于多帧单目场景流网络的方法，该方法在保持实时效率的同时显著提高了准确性，并通过在 KITTI 数据集上进行测试达到了自我监督学习中的最新水平。

    May, 2021

  • 自监督单目场景流估计

    本文提出的单目场景流（Scene Flow）估计方法基于一个卷积神经网络（CNN），通过充分考虑光流代价体积，成功估算出深度和三维运动。我们采用了自监督学习方法，利用三维损失函数和遮挡推理来提高估计精度。实验结果表明，该方法在单目场景流估计领域取得了最佳性能，同时在光流和单目深度估计子任务上也获得了很好的结果。

    Apr, 2020

  • STARFlow：面向现实世界场景流的空间时序特征重新嵌入与注意力学习

    场景流预测是理解动态场景的关键任务之一，本文提出了全局注意力流嵌入、空时特征重新嵌入和领域自适应损失等方法来解决流估计中的关键挑战，并在各种数据集上取得了最先进的性能。

    Mar, 2024

  • 一种深度时空融合框架，用于场景流的可学习运动模型和遮挡

    该论文提出了一种基于数据驱动的多帧场景流估计方法，通过神经网络以及双向场景流估计和遮挡掩模生成实现了对运动估计中遮挡问题的有效解决，提供了一种快速有效的计算机视觉方法。

    Nov, 2020

  • 基于遮挡引导的 3D 点云场景流估计

    本文介绍了一种新的 3D 场景流估计架构 OGSF-Net，它能够更准确地预测空间流，并在 Flyingthings3D 和 KITTI 等关键数据集中达到最先进的结果，是首个在点云上估计 3D 场景流的架构。

    Nov, 2020

  • 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

  • 学习关注焦点以实现高效视频目标检测

    提出了一种基于可学习的空间 - 时间采样 (LSTS) 模块、分散递归特征更新 (SRFU) 和密集特征聚合 (DFA) 模块，实现了视频目标检测中的准确空间对应关系，增强特征更新，提升检测性能，并在 ImageNet VID 数据集上取得了最先进的表现和实时速度。

    Nov, 2019

  • 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

  • FlowStep3D: 模型展开的自监督场景流估计

    该论文提出了一种基于循环神经网络的场景流场估计方法，并通过迭代逐步优化的方式提高了其预测精度，在 FlyingThings3D 数据集上训练后成功地将其推广到实际应用中，并在 KITTI 基准测试中大幅优于现有方法。

    Nov, 2020