关键词point cloud semantic segmentation
搜索结果 - 8
- 基于基础模型的弱监督激光雷达语义分割
本文提出了使用散点图对图像进行注释,然后利用 SAM(一种基本模型)为图像生成语义分割标签。通过使用相机和 LiDAR 的内在和外在参数将图像的分割标签映射到 LiDAR 空间,我们获得了点云语义分割的标签,并发布了 Scatter-KIT - ECLAIR:用于语义分割的高保真航空 LiDAR 数据集
ECLAIR 是一个新的室外大规模航空激光雷达数据集,它旨在推动点云语义分割的研究。该数据集是迄今为止最全面和多样化的,覆盖面积为 10 平方公里,包含近 6 亿个点,并包含 11 个不同的物体类别。作为一个基准测试,我们使用 Minkow - 基于概率驱动的开放世界三维点云语义分割框架
提出了一种概率驱动框架(PDF)用于开放世界语义分割,在点云语义分割网络中引入轻量级的 U-decoder 分支来识别未知类别,并通过生成伪标签提供未知类别的几何特征和概率分布特征,再通过增量式知识蒸馏策略逐渐将新类别纳入现有知识库,使模型 - CVPR重新思考少样本 3D 点云语义分割
该研究论文通过引入标准化的少样本点云语义分割设置和基于相关性优化的新模型 (COSeg),解决了目前该领域面临的前景泄漏、稀疏点分布等问题,在流行数据集上的实验证明了 COSeg 相对于现有方法的优越性。
- ICCV基于层次点云的半监督点云语义分割的主动学习
通过开发一种分层点云主动学习策略,本文解决了使用有限注释学习 3D 点云分割的问题,通过使用上下文信息的分层最小边距不确定性模块对每个点进行不确定性度量,并设计了特征距离抑制策略来选择重要和代表性的点进行手动标注,在 S3DIS 和 Sca - ICCVRetro-FPN:用于点云语义分割的回顾式特征金字塔网络
通过在金字塔层面上建模每个点的特征预测,并利用回溯式的精炼过程从前一层中提取语义特征,本文提出 Retro-FPN 方法以解决点云语义分割中的信息丢失和模糊语义识别的问题,该方法在三个常用的骨干网络上得到了显著的性能提升。
- 大规模点云的弱监督语义分割
本文提出了一种基于自我监督学习的弱监督方法解决大规模点云语义分割的问题,采用点云着色作为预处理任务,通过生成类原型的方式生成伪标签,并提出了一种稀疏标签传播机制,该方法在室内外不同情景的大规模点云数据集上得到了更好的弱监督结果和与完全监督方 - 一种新的弱监督方法用于 ALS 点云语义分割
本文提出了一种基于深度学习的弱监督 ALS 点云语义分割框架,在不完整和稀疏标记的未标记数据中利用潜在信息。通过熵正则化、一致性约束和在线软伪标记策略等,显著提高了分类性能,且效率高于当前弱监督方法。ISPRS 3D Labeling Va