TPCN: Temporal Point Cloud Networks for Motion Forecasting（论文阅读）

最新推荐文章于 2022-09-18 22:12:16 发布
最新推荐文章于 2022-09-18 22:12:16 发布
阅读量474 收藏 1
点赞数
分类专栏： 论文阅读 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jiluonian/article/details/120034676
版权

用于未来移动预测的时序性点云网络

时序信息与空间信息结合、高精度地图、栅格化、图网络、多模态模型
网络概览

一、重点内容提取

将时间和空间信息进行结合。
空间：多重特征（点、体素）表征。
时间：动态时间间隔、实例池化

二、实验概括

  1. 双重再现空间学习
    1.1 点特征学习
    1.2 体素特征传播
    双重再现空间学习
  2. 动态时间学习
    2.1 多间隔学习
    算法描述
    2.2 实例池化：均匀选取实例的代表特征点，减小计算量

三、实验

  1. 实验准备
  2. 消融实验
  3. 测评

四、收获

结合时间和空间信息对未来移动轨迹进行预测

董*飞飞
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Point Cloud Upsampling Network
qq_42183018的博客
07-14 1084
核心思想是学习每个点的多层次特征，然后利用不同的卷积分支在特征空间的中进行扩充。然后将扩充后的特征进行分解并重建为上采样点云集。我们的网络应用于块状点云上，并且使用了联合的损失函数使得上采样后的点在潜在的曲面上分布一致。 我们制定了两个度量标准，分布均匀性和距下层表面的距离偏差。 我们网络中输入和输出点的数量并不相同。 给定一组点，通过学习训练数据集的几何形状生成一组更密集的点来描述基础几何。输入...
PU-Net：Point Cloud Upsampling Network
weixin_43026096的博客
12-08 1340
摘要 本文提出了一种数据驱动的点云上采样技术，关键思想是学习每个点的多级特征，并通过隐含在特征空间中的多分支卷积单元扩展点集。 然后将扩展的特征拆分为多个特征，然后将其重构为上采样点集。 该网络是在补丁级别应用的，具有联合损失函数，该函数鼓励向上采样的点以均匀分布的形式保留在基础表面上。实验结果表明，本文的上采样点具有更好的均匀性，并且更靠近下层表面。 与之前的工作不同，本文是学习基于点的几何语义...
【论文笔记】Real-Time Spatio-Temporal LiDAR Point Cloud Compression
东风小火的博客
11-12 1443
论文题目：Real-Time Spatio-Temporal LiDAR Point Cloud Compression 题目译文：实时的时空LiDAR点云压缩 发表时间：2020.08.16 论文地址：https://arxiv.org/pdf/2008.06972.pdf 代码地址：https://github.com/horizon-research/Real-Time-Spatio-Temporal-LiDAR-Point-Cloud-Compression 代码测试教程：https://mp.we
论文阅读STPC-Net learn massive geo-sensory data as spatio-temporal point clouds
xuershuai的博客
09-10 137
来源：厦门大学 期刊：IEEE TRANSACTONS ON INTELLIGENT TRANSPORTATION SYSTEMS 2021 摘要： 如今，大量的传感器被安装在移动或静止的平台上，不断地生成带有地理标记和时间标记的读数(即地理感知数据)，其中包含了有关周围环境的丰富信息。这些数据的时空坐标是不规则的。为了表示地理感知数据，已经进行了大量的研究工作，使用时间序列、网格状图像和图形信号。然而，目前还缺乏一种能够同时描述移动和静止地理感知数据而又不丢失空间和时间维度信息的合适的表示方法。本文提出将
点云及其经典论文介绍
weixin_30845171的博客
07-27 1365
这篇博客会介绍点云的基本知识，重点介绍最近两年发表的部分经典论文，有什么建议欢迎留言！ 点云基本介绍 点云是某个坐标系下的点的数据集，包含了丰富的信息，可以是三维坐标X，Y，Z、颜色、强度值、时间等等。下面的图表分别展示了点云在三维空间可视化以后的效果和数据格式。点云的数据获取方式有很多种，比较常见的是三维激光扫描仪进行数据采集，它有三大类： 星载（星载LiDAR采用卫星平台，运行轨道...
CVPR 2021 | TPCN 点云就是这么美妙
阿木寺的博客
03-10 2208
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达本文作者：heryms |来源：知乎（已授权）https://zhuanlan.zhihu.com/p/3546...
点云序列时序特征提取方法整理
最新发布
qq_37497304的博客
09-18 3558
对于连续的点云序列，点云在空间上是无序的，但在时间上是有序的。由于空间上的无序性，传统卷积无法直接应用于原始点云，因此时序点云特征提取方法可以分为基于体素分割的方法和基于原始点云的方法。本文对一些论文中点云时空特征提取方法做出一些总结。
CVPR 2021 点云方向相关文章
吃不胖的粥
04-14 2815
点云(Point Cloud) DeepI2P: Image-to-Point Cloud Registration via Deep Classification(通过深度分类的图像到点云配准)paper|code FESTA: Flow Estimation via Spatial-Temporal Attention for Scene Point Clouds(FESTA：场景点云通过时空注意进行光流估计)paper Denoise and Contrast for Category...
点云数据中的3D单目标跟踪新范式（CVPR2022）
3D视觉工坊
04-25 1570
作者丨半闲@知乎来源丨https://zhuanlan.zhihu.com/p/477663378编辑丨3D视觉工坊论文名称：Beyond 3D Siamese Tracking: A Motion-Centric Paradigm for 3D Single Object Tracking in Point Clouds作者信息：论文地址：https://arxiv.o...
自动驾驶轨迹预测论文阅读（二）TPNet: Trajectory Proposal Network for Motion Prediction
learning_man的博客
08-24 3717
自动驾驶轨迹预测论文阅读
Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting总结
Jeff zhao
05-28 4926
Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting总结 作者：Zulong Diao,Xin Wang, Dafang Zhang, Yingru Liu,Kun Xie, Shaoyao He,湖南大学计算机科学与电子工程学院 来源：AAAI-2019 源码：???(未找到) 一、论文动机 在ITS的Traffic forecasting方面，目前已有许多理论研究工作。其中，traditi
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
小蚂蚁与大象
06-02 1082
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting（AAA2018） 背景：交通流的高度非线性和复杂性，传统的方法不能满足中长期预测任务的要求，往往忽略了空间和时间的相关性 动机：我们将问题表达在图上，并建立具有完整卷积结构的模型，这样可以在较少的参数下获得更快的训练速度。 问题：交通预测是一个典型的时间序列预测问题 模型： STGCN由多个时空卷积块组成
ECCV20| 3D目标检测时序融合网络
3D视觉工坊
09-15 1725
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达本文转载自「计算机视觉工坊」，该公众号重点在于介绍深度学习、智能驾驶等领域，一个小众的公众号。论文题目：An LSTM Approa...
奇瑞、华为联手打造高端智电品牌，首款B级轿车2023年上市
shenzhoubb2017的博客
07-07 1219
在高端智能电动车项目之外，奇瑞与华为的合作也在前者的多个品牌上开展。
PointRCNN论文和逐代码详解
热门推荐
NNNNNathan的博客
03-03 1万+
1、前言 当前点云检测的常见方式分别有 1、将点云划分成voxel来进行检测，典型的模型有VoxelNet、SECOND等；作然而本文的作者史博士提出这种方法会出现量化造成的信息损失。 2、将点云投影到前视角或者鸟瞰图来来进行检测，包括MV3D、PIXOR、AVOD等检测模型；同时这类模型也会出现量化损失。 3、将点云直接生成伪图片，然后使用2D的方式来进行处理，这主要是PointPillar。 本文PointRCNN提出的方法，是一篇比较新颖的点云检测方法，与此前的检测模型不同，它直接根据点云分
论文解析：SO-Net: Self-Organizing Network for Point Cloud Analysis
warmpu的小笔头
08-19 4341
SO-Net: Self-Organizing Network for Point Cloud Analysis 本文提出SO-Net的网络结构用于无序点云的特征提取。 SO-Net通过构建自组织映射（Self-Organizing Map）来模拟点云的空间分布。基于SOM，SO-Net对单个点和SOM节点进行分层特征提取，最终用一个特征向量表示输入点云。 SOM介绍 SOM自组织神经网...
点云处理——3D Point Cloud Segmentation
qq_24505417的博客
09-25 3192
任务三：点云语义分割 (3D point cloud semantic segmentation)
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

董*飞飞

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值