本研究提出了一种新颖的神经网络模型FlowNet3D,该模型旨在从点云数据中学习场景流,该模型可以通过扫描定位和运动分割等多种应用,对Lidar扫描等多种实际场景进行高效准确的场景流处理。
Jun, 2018
该论文提出了一种使用深度神经网络从非结构化点云中估计三维运动的方法,同时也能预测场景中物体的三维边界框和刚体运动。作者还采用虚拟物体增强真实扫描数据来训练网络,并与传统技术和基于学习的技术进行了全面比较。
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
本文提出了一种名为RFNet-4D的新型网络架构,可以通过学习空间和时间特征从4D点云序列中同时重建物体和其运动流,并使用无监督学习方法进行流估计,通过监督学习重建空间结构,实验结果表明,在训练和推理方面比现有方法更快,并在流估计和物体重建方面达到了最先进的性能。
Mar, 2022
本文提出了一种基于生成的深度图的方法,通过引入像素的稠密性来实现直接从2D图像学习3D场景流,以及利用统计方法和视差一致性损失来解决噪声点的问题,从而达到了更加有效的自监督学习3D场景流的目的。实验证明,这种方法优于合成数据集和激光雷达点云学习的方法,在场景流估计任务中表现出更好的稳定性和准确度。
Sep, 2022
本文提出了一种新的三维物体检测结构,该结构可以编码由多个连续扫描获取的LiDAR点云序列,并利用时空上下文实现较大的性能提升。通过短期运动感知体素编码和长期运动指导俯视图特征增强,可以对点云序列进行编码处理,结果显示,与基线方法相比,该模型在性能上显示出明显优越性,在某些三维检测类别方面表现出了最先进的性能。
Dec, 2022
通过应用ICP运动补偿和分段刚性假设约束,结合测试时间优化方法,自监督LiDAR场景流估计技术可以更加有效地解决主要挑战,而不需要训练数据,提升了真实数据上的性能。
Apr, 2023
基于我们的观察,将所有的历史点堆叠会损害性能,因为有大量多余和误导性信息,我们提出了用于4D激光雷达语义分割的稀疏体素相邻查询网络(SVQNet),通过将历史点分成两组来充分利用历史帧的高效性,一组是携带局部增强知识的体素相邻邻域,另一组是补充全局知识的历史情境,然后我们提出了新的模块来从这两组中选择和提取指导性特征,我们的SVQNet在SemanticKITTI基准和nuScenes数据集的激光雷达语义分割中实现了最先进的性能。
Aug, 2023
NSM4D是一种在线的4D感知范式,能够有效处理4D点云序列的几何和动态信息,并在室内外场景中实现在线感知能力的显著提升。
Oct, 2023
设计了一种学习无关的流估计器ICP-Flow,通过在自动驾驶中包含刚性运动假设来提高目标关联和局部刚性变换估计的性能。在场景流估计中,ICP-Flow在其他模型无法提供有意义结果的长时间间隔(最高0.5秒)内展现出优越性能。
Feb, 2024