点云 分割
文章平均质量分 94
点云 3D 分割相关
77wpa
不积跬步,无以至千里;不积小流,无以成江海
展开
-
点云 3D 分割 - RangeNet++(IROS 2019)
自动驾驶汽车中的感知通常通过一套不同的感知模式进行。鉴于大量公开可用的标记RGB数据以及用于基于图像的识别的高质量深度学习算法的出现,高级语义感知任务主要使用高分辨率相机来解决。因此,其他可能对该任务有用的传感器模态通常被忽略。在本文中,我们推进了仅LiDAR语义分割的最新技术,以便为车辆提供另一个独立的语义信息源。我们的方法可以在传感器帧速率下准确地执行LiDAR点云的完全语义分割。我们利用距离图像作为中间表示,结合卷积神经网络(CNN)利用旋转激光雷达传感器模型。原创 2023-01-27 21:01:52 · 1510 阅读 · 0 评论 -
点云 3D 分割 - SqueezeSeg(ICRA 2018)
在本文中,我们讨论了3D激光雷达点云中道路对象的语义分割。特别是,我们希望检测和分类感兴趣的实例,例如汽车、行人和骑自行车的人。我们将此问题表述为逐点分类问题,并提出了一种基于卷积神经网络(CNN)的端到端流水线SquezeSeg:CNN将转换后的LiDAR点云作为输入,并直接输出逐点标签图,然后通过实现为递归层的条件随机场(CRF)对其进行细化。然后通过常规聚类算法获得实例级标签。我们的CNN模型是在KITTI[1]数据集的LiDAR点云上训练的,我们的逐点分割标签来自KITTI的3D边界框。原创 2022-12-30 21:29:04 · 1366 阅读 · 0 评论 -
点云 3D 分割 - SqueezeSegV2(ICRA 2019)
早期的工作证明了基于深度学习的点云分割方法的前景;然而,这些方法需要改进,以使其实用。为此,我们引入了一个新模型SquezeSegV2,它对LiDAR点云中的脱落噪声更为鲁棒。通过改进的模型结构、训练损失、批量标准化和额外的输入通道,SquezeSegV2在实际数据上训练时实现了显著的准确性提高。用于点云分割的训练模型需要大量标记的点云数据,这很难获得。为了避免收集和注释的成本,可以使用GTA-V等模拟器来创建无限量的标记合成数据。然而,由于领域转移,基于合成数据训练的模型通常不能很好地推广到现实世界。原创 2022-12-31 17:53:06 · 1317 阅读 · 1 评论 -
点云 3D 分割 - SqueezeSegV1、SqueezeSegV2、SqueezeSegV3
点云 3D 语义分割 - SqueezeSegV21. 文章信息2. SqueezeSegV2 简介2.1 算法特点1. 文章信息文章标题SqueezeSegV2: Improved Model Structure and Unsupervised Domain Adaptationfor Road-Object Segmentation from a LiDAR Point Cloud (2018)文章链接https://arxiv.org/pdf/1809.08495v1.pdf原创 2022-03-09 16:38:54 · 4545 阅读 · 0 评论 -
全景分割(Panoptic Segmentation)(CVPR 2019)
全景分割(Panoptic Segmentation)原创 2022-09-02 09:50:46 · 12451 阅读 · 6 评论