BeringStrait_-CSDN博客

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 15:59:44 829 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 16:26:13 426

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 1637 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 15:05:54 817

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 17:21:20 324 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 16:00:41 557

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 14:17:48 737

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 11:19:23 680

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 22:37:18 599 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 11:12:23 371

qq_51954707的博客