Semantic 3D Reconstruction

最新推荐文章于 2024-06-08 09:41:57 发布
最新推荐文章于 2024-06-08 09:41:57 发布
阅读量1.7k 收藏 12
点赞数 3
分类专栏： paper之路
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/renhaofan/article/details/90319974
版权

Dense 3D Semantic Mapping of Indoor Scenes from RGB-D Images

Alexander Hermans, Georgios Floros and Bastian Leibe

ICRA 2014 | cited by 146

NYUv1 dataset
在这里插入图片描述
在这里插入图片描述

Semantic 3D Occupancy Mapping through Efficient High Order CRFs

Shichao Yang∗ Yulan Huang∗ and Sebastian Scherer∗

IROS 2017 | cited by 14 | code | video |

KITTI dataset

在这里插入图片描述

Meaningful maps with object-oriented semantic mapping

Niko S¨underhauf1, Trung T. Pham2, Yasir Latif2, Michael Milford1, Ian Reid2

IROS 2017] | cited by 38 |
SceneNet RGB-D dataset
这一篇的意义可能在于直接对三维点进行分割，可以适当参考。但可能这样并不是一个比较好的方式和方法。
在这里插入图片描述
在这里插入图片描述

DA-RNN Semantic Mapping with Data Associated Recurrent Neural Networks

Yu Xiang and Dieter Fox

IROS 2017] | cited by 24 | code | video | [based on KinectFusion]

dataset: Unsupervised Feature Learning for 3D Scene Labeling
可以参考一下他的depth的设计，实际上是depth aware之前的问题
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

SemanticFusion: Dense 3D Semantic Mapping with Convolutional Neural Networks

John McCormac, Ankur Handa, Andrew Davison, and Stefan Leutenegger Dyson

ICAR 2017] | cited by 127 | code | video | [Based on ElasticFusion] | [speed about 25Hz]
在这里插入图片描述
NYUV2

  • Bayesian updates
  • 充分利用depth，但是只是简单的把原来网络的三通道变成四通道。第四个通道初始化是rgb的平均值，之后
    0–255 colour range to the 0–8m depth range by
    increasing the weights by a factor of ≈ 32×.

Semantic Mapping with Simultaneous Object Detection and Localization

Zhen Zeng Yunwen Zhou Odest Chadwicke Jenkins Karthik Desingh

[IROS2018] | [cited by 0] | [code-not open] | [video - no] |
值得参考一下这个， 利用物体检测构建的语义地图

Fast and Accurate Semantic Mapping through Geometric-based Incremental Segmentation

Yoshikatsu Nakajima1, Keisuke Tateno2, Federico Tombari2 and Hideo Saito1

NYUv2
[IROS2018] | [cited by 1] | [code-not open] | [video - no] | [Based on InfiniTAMv3] | [speed about 30Hz]
这一篇当中 II.C 3D geometric segmentation 有很好的总结

在这里插入图片描述
在这里插入图片描述

Semantic Mapping and Object Detection for Indoor Mobile Robots

S Kowalewsk

[IOP 2019] | [code-not open] | video |

Volumetric Instance-Aware Semantic Mapping and 3D Object Discovery

Margarita Grinvald, Fadri Furrer, Tonci Novkovic, Jen Jen Chung, Cesar Cadena, Roland Siegwart, Juan Nieto

[arXiv:1903.00268] | cited by 1 | [code–not open] | video | [Based on ElasticFusion] | [speed about 1572ms per frame]

sceneNN dataset
在这里插入图片描述
在这里插入图片描述

PanopticFusion: Online Volumetric Semantic Mapping at the Level of Stuff and Things

Gaku Narita, Takashi Seno, Tomoya Ishikawa, Yohsuke Kaji1

[arXiv:1903.01177] | [code–not open] | video | [Based on ElasticFusion] | [speed about 1572ms per frame]
ScanNet v2
在这里插入图片描述
在这里插入图片描述
scene0645 01

霜桥月馆
关注
  • 3
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation
stdleohao的博客
09-01 519
Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation Abstract 现状 经过充分训练数据的特征学习，用少量样本去表示新类，少样本的语义分割取得了令人鼓舞的进展 问题 特征共享机制，不可避免的在具有相似语义组成理论的新类之间造成语义混淆 创新 本文里，我们提出了将少样本的分割问题视为语义重建问题，将基本类的特征转化成一系列的基本向量，并张成类级别的语义空间，用于新类重建 方法 引入对比损失，最大化向
论文阅读：SLAM and 3D Semantic Reconstruction Based on the Fusion of Lidar and Monocular Vision
qq_53086461的博客
06-11 606
单目相机和激光雷达是无人驾驶车辆中最常用的两种传感器。将两者的优势相结合是当前SLAM和语义分析的研究重点。本文提出了一种改进的基于激光雷达和单目视觉融合的SLAM和语义重建方法。我们将语义图像与低分辨率三维激光雷达点云融合，生成密集的语义深度图。通过视觉测程选择具有深度信息的ORB特征点，提高定位精度。我们的方法使用并行线程来聚合三维语义点云，同时定位无人驾驶汽车。
探索未来3D场景理解：Semantic-NeRF
最新发布
gitblog_00063的博客
06-08 294
探索未来3D场景理解：Semantic-NeRF 项目地址:https://gitcode.com/Harry-Zhi/semantic_nerf 在计算机视觉领域，我们正逐步进入一个由神经辐射场（NeRF）引领的革命性时代。而今天，我要向你推荐一款令人惊叹的开源项目——Semantic-NeRF。这款项目将神经辐射场与语义理解相结合，构建出一种场景特定的隐式3D语义表示，为室内场景的理解和重建开...
Semantic3D
cuiy24的博客
07-11 2990
包含8个语义类，涵盖了广泛的城市户外场景:教堂、街道、铁轨、广场、村庄、足球场和城堡。我们精心选择了各种不同的自然和人工场景，以防止分类器的过度拟合。所有发布的场景都是在中欧捕获的 数据格式 ascii text files with format {x, y, z, intensity, r, g, b} semantic-8： 包含8个语义标签 1：人造地形：主要是路面 2：自然地形：以草地为主 3：高植被：树木和大灌木丛 4：低植被：小于2米的花或小灌木 5：建筑物：教堂、市政厅、车站 6：硬景观：一
探索未来三维世界：Open3D-PointNet2-Semantic3D
gitblog_00051的博客
04-17 470
探索未来三维世界：Open3D-PointNet2-Semantic3D 项目地址:https://gitcode.com/IntelVCL/Open3D-PointNet2-Semantic3D Open3D-PointNet2-Semantic3D 是一个基于 Intel Visual Compute Lab 开发的强大开源项目，它整合了 Open3D 库与 PointNet2 模型，专门用于...
[ECCV2020]Self-supervised Single-view 3D Reconstruction via Semantic Consistency
wrk226的博客
04-14 855
本文做的是基于单图的无监督3D物体重建。文中模型不需要配对的2D图像与3D扫描结果，不需要landmark，不需要多视角图像，也不需要参数化模型，更不需要手工定义的模板，完全从零开始重建一个3D物体。只有一个约束，就是输入的所有图片需要是同一类物体（比如全是车，全是鸟，或者全是马等等）。本文主要的思想是将同一类物体通过语义分割建立联系，通过3D模板（初始模板就是一个球）与语义分割模型相互之间的促进来迭代式的增强模型的重建能力。 ...
【CVPR2018】3D Semantic Trajectory Reconstruction f
06-14
【CVPR2018】3D Semantic Trajectory Reconstruction from 3D Pixel Continuum 是一篇在计算机视觉领域的重要研究论文，发表于2018年的计算机视觉与模式识别会议（CVPR）。这篇工作主要聚焦于从三维像素连续体中重建...
语义分割进阶之路之回首CVPR2016（一）
lirunqi3的博客
08-26 425
最近一直在研究足彩预测和爬虫，对语义分割的研究搁置一边。然后这段时间过了以后还想学学fd抓包。 这周还是准备努努力把CVPR2016的所有语义分割过一遍。 在开始的部分先总结一下CVPR2015的语义分割： CVPR2015的语义分割属于图像分割的初级阶段，算法模型几乎是基于以前的调整，除了FCN意外，没有完全创新的语义分割算法。 主要的语义分割思路分为三类， 1、以FCN为主的卷...
Semantic 3D Object Maps
10-11
and Reconstruction:** The framework provides reliable methods for detecting, categorizing, and reconstructing objects within the environment, enhancing the overall quality and usefulness of the ...
读Self-supervised Single-view 3D Reconstruction via Semantic Consistency
郑哲东的博客
10-10 428
论文名：Self-supervised Single-view 3D Reconstruction via Semantic Consistency 作者：Xueting Li, Sifei Liu, Kihwan Kim, Shalini De Mello, Varun Jampani, Ming-Hsuan Yang, and Jan Kautz What 从 2D 图像 和 mask 中 预测 3D mesh shap, texture 和 camera pose的 工作。 不需要3D的标注 或者
论文解析 - SemanticFusion: Dense 3D Semantic Mapping with Convolutional Neural Networks
东部世界 (East World)
09-12 5509
SemanticFusion: Dense 3D Semantic Mapping with Convolutional Neural Networks ICRA2017   论文梳理 整体框架的组成为三个部分： A real-time SLAM system ElasticFusion A Convolutional Neural Network A Bayesian update...
Open3D-PointNet2-Semantic3D：使用Open3D和PointNet ++进行Semantic3D分割
02-06
使用Open3D和PointNet ++进行Semantic3D语义分割 介绍 使用和PointNet ++进行Semantic3D（semantic-8）分割的演示项目。 该项目的目的是展示Open3D在深度学习管道中的用法，并为Semantic3D数据集上的语义分段提供一个干净的基线实现。 这是语义8测试基准页面上的。 是一个开放源代码库，支持快速开发处理3D数据的软件。 Open3D前端使用C ++和Python公开了一组精心选择的数据结构和算法。 后端经过高度优化，并设置为并行化。 我们欢迎开源社区的贡献。 在此项目中，Open3D用于 点云数据的加载，编写和可视化。 Open3D
点云公开数据集:Semantic3D
zhaoguanhua的博客
11-09 4990
一、基本信息 二、数据分析 三、数据处理
BAAF-Net训练Semantic3D数据集
zhaoguanhua的博客
11-01 2264
BAAF-Net训练Semantic3D数据集二、训练和测试代码修改三、训练四、测试 BAAF-Net的作者在github上只放出了S3DIS数据集的训练和测试代码，而且我也问了作者近期并没有放出关于Semantic3D数据集的训练和测试代码的计划，但是作者说他是基于RandLA-Net的代码做的，可以参考RandLA-Net训练Semantic3D数据集的代码进行修改，刚好我们已经对Randla-Net的代码非常熟悉了。在这篇文章里我们就尝试使用BAAF-Net训练Semantic3D数据集。 # 一、
Semantic3D:A New Large-Scale Point Cloud Classification Benchmark
weixin_42650040的博客
10-27 640
摘要 本文提出了一个新的3D点云分类基准数据集，该数据集包含超过40亿个手动标记的点，旨在作为深度学习方法的输入。我们还讨论了第一次提交给基准测试的以深度卷积神经网络作为平台，它已经显示出显著的性能改进超过了最先进的水平。神经网络已经成为计算机视觉和机器学习中许多任务的事实上的标准，例如图像中的语义分割或对象检测，但是由于缺乏训练数据，还没有导致3D点云标记任务的真正突破。通过本文提供的大量数据集，我们旨在缩小这一数据差距，帮助释放深度学习方法在3D标签任务中的全部潜力。我们的semantic3D.net数
2020-3D Semantic Segmentation for Large-Scale Scene
自动驾驶行业学习、交流
02-09 274
3D Semantic Segmentation for Large-Scale Scene Understanding Kiran Akadas and Shankar Gangisetty KLE Technological University, Hubballi, India akadask@gmail.com, shankar@kletech.ac.in 年份：2020 期刊/会议：ACCV 代码：https://github.com/KiranAkadas/GRanDNet 1、创新 基于R
MonoScene: 单目3D语义场景补全
3D视觉工坊
03-08 2310
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨图灵智库来源丨泡泡机器人SLAM原文链接: https://arxiv.org/pdf/2112.00726v1.pdf标题：M...
Semantic3D_pointnet2训练预测随记
cuiy24的博客
07-21 890
train() def train_one_epoch(sess, ops, train_writer, stack): log_string(str(datetime.now())) update_progress(0) loss_sum = 0 confusion_matrix = metric.ConfusionMatrix(NUM_CLASSES) 在训练代码中增加了datetime时间显示和加载进度条的用法，更加人性化 1.datetim
semantic3d
10-09
Semantic3D是一个语义室外点云数据集，用于点云分割和分类任务。它包含大量从真实世界环境中激光扫描获得的点云数据，例如城市街道、建筑物和自然景观等。这个数据集的主要目的是为研究和开发语义分割算法提供一个标准基准。 Semantic3D的数据集包括一系列由激光扫描仪生成的点云，其中每个点都有其三维位置和对应的语义标签。这些语义标签用于描述该点所属的物体或地物类别，例如道路、建筑物、树木、汽车等。通过使用这些标签，研究人员可以训练计算机算法来自动识别和分类不同类型的物体。 使用Semantic3D数据集，研究人员可以解决许多重要的问题，例如城市规划、交通管理和环境保护等。例如，他们可以使用该数据集开发自动驾驶车辆的感知系统，以便车辆可以准确地识别并避免交通障碍物。此外，研究人员还可以利用Semantic3D数据集来改善建筑物的三维建模和室外环境的虚拟现实。 总而言之，Semantic3D是一个重要的数据集，为语义分割和分类算法的研究和开发提供了宝贵的资源。它的使用可以推动智能感知系统、城市规划和环境保护等领域的发展。
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
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