本文介绍了一种基于 LiDAR 的多任务网络 LidarMultiNet，它将 LiDAR 的三个主要感知任务：3D 物体检测，语义分割和全景分割统一起来。通过使用全局上下文汇聚（GCP）模块提取全局上下文特征，任务特定的头被添加到网络的顶部执行三种任务。LidarMultiNet 在 Waymo Open Dataset 和 nuScenes 数据集 上进行了广泛的测试，表明主要 LiDAR 感知任务可以在单个强网络中统一，并在既有 API 上取得最佳结果。

Sep, 2022

本文提出了一种基于 LiDAR 传感器和多任务网络的感知系统，用于自主驾驶中的目标检测和道路识别，取得了良好的实验效果和在线定位能力。

Mar, 2021

LiDAR 在自动驾驶中具有重要作用，本文提出了一种基于 LiDAR 的实时多任务卷积神经网络，用于对象检测、语义分割和运动分割，并在汽车级嵌入式平台上实现了 3ms 延迟，取得了语义分割和运动分割的最新成果以及 3D 物体检测的接近最新成果。

Jul, 2023

本文介绍了一种基于 Fast Point Transformer 的新型轻量级自我关注层的方法，用于对大型 3D 场景进行处理和提高计算效率，并应用于 3D 语义分割和 3D 检测，具有与基于体素的最佳方法相竞争的准确性和比 Point Transformer 更快的推理时间。

Dec, 2021

本研究提出了一种多尺度 LiDAR 辅助透视变换神经网络，利用点云信息将图像特征投影到俯视图中，从而在大幅度提升语义网格生成方面取得了实质性的进展，实现了 25FPS 的实时性能。

Feb, 2023

这篇研究提出了一种新的架构，pCTFusion，它结合了基于核的卷积和自注意机制，以便更好地进行特征学习，并捕捉分割中的局部和全局依赖关系。该架构在 SemanticKITTI 室外数据集上进行评估，与现有的先进架构相比，性能提高了 5-7％，特别是对于常因类别不平衡、空间不足和邻近特征编码而被错误分类的次要类别，效果更加显著。这些方法的发展可以用于复杂数据集的分割，并推动 LiDAR 点云的实际应用。

Jul, 2023

本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

Sep, 2019

本文提出了一种 3D 点云特征学习模型 Pointformer，其中使用局部和全局 Transformer 模块对点云数据进行建模，结合了多尺度特征，以及使用坐标调整模块改善物体提议生成，成功地应用于室内和室外场景下目标检测任务，并取得了显著的性能提升。

Dec, 2020

本文提出一种新的高效 Transformer-based 的点云预测网络，并设计了语义辅助训练策略来对未来的 LiDAR 点云进行预测，该方法是完全自监督的，并且在预测结果和语义相似性上表现出超越最先进的 PCP 方法的性能，具有良好的实时性能。

Apr, 2023

该研究提出了一种无监督的多任务模型，用于联合学习点云上的点和形状特征，并定义了三个无监督任务来训练多尺度基于图形的编码器。结果表明，与之前的无监督模型相比，该模型在形状分类和分割基准上表现优异。在 ModelNet40 分类任务中，准确率达到 89.1％，在 ShapeNet 分割任务中，mIoU 为 68.2％，准确率为 88.6％。

Oct, 2019