- 博客(14)
- 收藏
- 关注
原创 【MOS】MotionSeg3D-《Efficient Spatial-Temporal Information Fusion for LiDAR-Based 3D Moving Object Seg
对于卷积核内的每个像素,权重只取决于像素坐标,这不能完全利用笛卡尔坐标的几何信息。RV 图像分支(Enc-a)用于对外观特征进行编码,残差图像分支(Enc-M)用于对时间运动信息的进行编码,一个用于对 Enc-a 和 Enc-M 的特征进行解码的具有 Skip Connection 的 ImageHead,以及用于进一步细化分割结果的 PointHead。分析可得,该方法在不使用后处理的情况下已经得到了较高的交并比,且如果使用 PointHead 后处理,准确率也高于使用 kNN 后处理方法。
2024-04-18 15:59:44
871
1
原创 【MOS】《RVMOS: Range-View Moving Object Segmentation Leveraged by Semantic and Motion Features》
对于公式(3)中的计算,我们忽略距离值超出 0.2 m 到 50 m 范围的无效像素,且使用 SemanticKitti 数据集中提供的相对姿态 Pk。时间间隔调制—利用较短的时间间隔生成更多的残差帧,即放大k到某个倍数,这样抽帧抽的更多,描绘的是比真实运动更慢的运动,可以有效地处理移动较慢的物体。:RV图捕获的是3D空间中垂直拉长的单位像素区域,这意味着典型的卷积运算提取到的特征是扭曲后的三维几何形状。来代替常见的矩形池化操作。来解决,使用合成的残差图像作为运动网络的输入,并使用运动地图对网络进行监督。
2024-04-16 16:26:13
447
原创 【MOS】《RangeNet++: Fast and Accurate LiDAR Semantic Segmentation》
例如,将130000个点投影到[64 × 512]范围的图像上的扫描,将仅剩余32768个点。D:基于有效距离图像的 3D 点云图像后处理,使用对所有点进行操作的新开发的 3D-kNN 搜索来清除点云中不需要的错误和伪影。RV图像(左)中的栅栏和汽车都被赋予了适当的语义标签,但在将语义发送回原始点云(右)的过程中,标签也被投影为“阴影”C:将分割好的 2D 图语义转移到 3D 点云,在原始点云中恢复所有点。因此,为了给原始点云表示中的所有点都赋予一个语义,我们。A:将输入点云转换为RV图像表示。
2024-04-15 17:29:52
1665
1
原创 【MOS】《SalsaNext: Fast, Uncertainty-aware Semantic Segmentation of LiDAR Point Clouds······
论文中经实验证明,转换为鸟瞰图BEV时效果最好,所以SalsaNet采用此方式,BEV是四通道(点在原来点云中的平均高度、最高高度、平均反射率以及投影点数目),SFV是六通道(3d坐标系下的坐标、强度值i、范围r以及一个用于表示是否被占用的掩码)贝叶斯网络(BNN)与反向传播网络(BPNN):反向传播网络在优化完毕后,其权重是一个固定的值,而。写得太好了,搞的我都不想自己看了(大家还是别偷懒,看看前辈的经验也要自己再认真看原文),所以贝叶斯神经网络需要优化的参数是反向传播网络的两倍。
2024-04-13 15:05:54
862
原创 【MOS】4DMOS-《Receding Moving Object Segmentation in 3D LiDAR Data Using Sparse 4D Convolutions1》
指的是那些在数据采集完成后,在没有实时交互或实时更新的情况下进行处理和分析的算法或技术。在移动对象分割(Moving Object Segmentation, MOS)的背景下,离线方法意味着算法处理的数据是预先录制或存储的,而不是实时从传感器接收的。在对齐变换之后,我们将齐次坐标转换为笛卡尔坐标,并将时间作为额外的维度,将对齐的扫描结果聚合成一个四维点云,从而得到点pi的坐标[xi, yi, zi, ti]主要的优点是,我们可以根据新的观察结果重新估计移动的物体,从而增加用于预测的时间范围。
2024-04-12 17:21:20
369
1
原创 【MOS】LMNet——《Moving Object Segmentation in 3D LiDAR Data: A Learning-based Approach Exploiting Seque
具体到数值结果,使用一个残差图像(N=1)的方法(Ours (based on SalsaNext/N = 1))在IoU(交并比)指标上达到了52.0%,而当使用八个残差图像并结合语义信息的方法(Ours (based on SalsaNext/N = 8 + Semantics))时,IoU指标提高到了62.5%,这表明该方法在处理城市环境中的移动对象分割任务时,能够有效地区分移动和静态对象,并且在性能上超越了多个现有的最先进方法。最终,融合距离图像中的每个像素包含不同类型信息的向量。
2024-04-11 16:00:41
583
原创 【MOS】《A comprehensive survey of LIDAR-based 3D object detection methods with deep learning for
有一个之前大佬写的详解,附上网址,下文主要是一些盲区和自己觉得需要注意的地方。
2024-04-09 14:17:48
758
原创 【点云】《RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds》
注:该文中扩张卷积(dilated convolution)的体现并不是直接以传统意义上的扩张卷积层来实现,而是通过设计特定的网络结构来模拟扩张卷积的效果,从而增加每个点的接收场(receptive field)注:LocSE和注意力池化都是扩张残差块的组成部分,一个块用两套,扩张残差块加上MLP变成了局部特征聚合LFA,四套LFA加上RS是网络的编码器部分;解码器部分则为四套MLP加上US,其中的US是最近邻插值。RandLA-Net主攻大规模场景点云语义分割。
2024-03-26 11:19:23
713
原创 【点云】《PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space》
在PointNet++中,MLP的使用与PointNet类似,但在处理局部区域和多尺度特征时,PointNet++引入了额外的MLP网络来捕捉不同尺度上的局部特征。在PointNet的最后阶段,全局特征向量被送入另一个MLP网络,这个网络根据具体的任务(如分类或分割)来输出最终的预测结果。N是数据集中有N个点,d是欧氏空间维数,二维或者三维,C是每个点还可能具有的其他特征的维度,颜色、法线等。:最远点采样FPS选择子集,比随机采样好,输入是Nx(d+C)个点,输出是选定的N’个中心点形成的点集。
2024-03-24 22:37:18
652
1
原创 【点云】《Deep learning-based 3D point cloud classification: A systematic survey and outlook》
它由两部分组成:头文件和点云数据。它有两种数据存储类型,ASCII和二进制,但PCD文件的头文件必须使用ASCII编码,PCD 的一个很好的好处是它可以很好地适应PCL,从而与PCL应用程序相比具有最高的性能。Las文件由三部分组成:头文件区(包括点总数、数据范围、每个点的维度信息)、变长记录区(包括坐标系、额外维度等)、点集记录区域(包括点坐标信息、R、G、B信息、分类信息、强度信息等)体素的特点:体素擅长表示非均匀填充的规则采样空间,因此,体素可以有效地表示点云数据有很多空的或均匀填充的空间。
2024-03-13 11:12:23
389
原创 【点云】《A Review of Deep Learning-Based Semantic Segmentation for Point Cloud》
条件随机场 (CRF)** 将原始3D点特征与插值分数相结合进行后处理。
2024-03-12 19:00:37
516
原创 反卷积/转置卷积 (Deconvolution/Transposed Convolution) 原理与计算方法
但当卷积核大小不能被步长整除的时候,会出现棋盘现象。原因是上采样过程中取样不均匀,生成图的某些点在原图中多次取样(这不是反卷积特有的情况,只是在反卷积时由于图像分辨率提升导致更为明显)此时得到的便是卷积后缩小的图像,也就是进行卷积的前向传播时进行的运算。而计算梯度反向传播时,则将loss x CT(转置),即kernel定义了用于前向和后向传递的矩阵C和CT。对于反卷积的情况,则是与卷积正好相反,其前向和后向通过分别乘以CT和(CT)T = C来计算。
2024-01-06 17:20:09
651
2
原创 Markdown转pdf方法(pycharm + vscode)
在pycharm中新建文件,直接打文件名之后后缀写.md即可生成markdown文件双空格回车为换行,全角可打出空格,一个#加一个空格为一级标题,以此类推全角半角转换:我设置成了文本高亮为 mark in 尖括号……/mark in 尖括号文本带颜色为 font color=xxx in 尖括号……输入文本……/fontin 尖括号 ,如红色插入图片可以插入超链接,实在不行去markdown的在线编辑器里复制粘贴文字加粗显示为。
2023-12-27 16:09:58
1739
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人