深度学习
文章平均质量分 91
冯子材
这个作者很懒,什么都没留下…
展开
-
MotionNet: 基于鸟瞰图的自主驾驶联合感知与运动预测
MotionNet: Joint Perception and Motion Prediction for Autonomous Driving Based on Bird’s Eye View Maps摘要可靠地感知环境状态的能力,尤其是对象的存在及其运动行为,对于自动驾驶至关重要。在这项工作中,我们提出了一个有效的深度模型,称为MotionNet,以共同执行3D点云的感知和运动预测。MotionNet将一系列LiDAR扫描作为输入,并输出鸟瞰(BEV)图,该图对每个网格单元中的对象类别和运动信息进行原创 2021-08-18 10:56:58 · 1833 阅读 · 0 评论 -
【论文速递】SynLiDAR:从合成 LiDAR 序列点云中学习语义分割特征
SynLiDAR:从合成 LiDAR 序列点云中学习语义分割特征摘要从合成数据到真实数据的迁移学习已被证明是减轻各种计算机视觉任务中数据注释约束的有效方法。然而,由于缺乏大规模高质量合成点云数据和有效的迁移学习方法,3D点云数据的发展落后于2D图像的发展。SynLiDAR是一种合成 LiDAR 点云数据集,其中包含具有准确几何形状和全面语义类别的大规模逐点注释点云。而PCTNet是一种旨在缩小与真实世界点云数据的差距的点云转换网络。对于 SynLiDAR,利用图形工具和专业人员构建多个具有丰富场景类型和原创 2021-08-05 16:50:35 · 718 阅读 · 0 评论 -
【论文速递】PolarNet: An Improved Grid Representation for Online LiDAR Point Clouds Semantic Segmentation
摘要自动驾驶系统中对细粒度感知的需求导致最近对单扫描LiDAR的在线语义分割的研究增加。尽管出现了新的数据集和技术进步,但由于以下三个原因,它仍然具有挑战性:(1)需要有限硬件的近实时延迟; (2)LiDAR点在整个空间中的分布不均匀甚至长尾; (3)越来越多的极细粒度的语义类。为了共同解决所有上述挑战,提出了一种新的特定于LiDAR的,无近邻的分割算法-PolarNet。我们的极鸟瞰图表示法不是使用通用的球面或鸟瞰图投影,而是在极坐标系中平衡网格单元之间的点,从而使分割网络的注意力与沿点的长尾分布间接对原创 2020-11-08 11:12:21 · 3219 阅读 · 2 评论 -
【论文速览】任何运动检测器:从一系列LiDAR点云中学习与类无关的场景动态
摘要在复杂的城市环境中,目标检测和运动参数估计是自动驾驶车辆安全导航的关键任务。 在这项工作中,作者提出了一种新颖的实时时态上下文聚合方法,用于基于3D点云序列的运动检测和运动参数估计。作者引入了自我运动补偿层,以实现实时推理,其性能可与原始点云序列的简单里程转换相媲美。所提出的体系结构不仅能够估计车辆或行人等常见道路参与者的运动,而且可以概括为训练数据中不存在的其他对象类别。还将对不同的时间上下文聚合策略(例如循环单元和3D卷积)进行深入分析。 最后,多提出的最新模型与KITTI Scene Flow数原创 2020-08-03 18:58:26 · 439 阅读 · 0 评论 -
点云多个任务,数十篇论文整理
在这里给出入门点云以来,接触到的不同任务的经典论文。本人正在求学,需要在github页面刷刷经验,觉得代码有用的同学麻烦再github给个星星吧!带有链接的版本移步这里:https://github.com/FengZicai/My-summary-of-3d-vision-tasks麻烦同学们给个星星吧!Different tasks for 3D Point CloudThis summary includes traditional algorithms and deep learning原创 2020-07-20 15:15:00 · 1096 阅读 · 0 评论 -
【全文翻译】PointRNN: Point Recurrent Neural Network for Moving Point Cloud Processing
摘要在本文中,我们介绍了用于移动点云处理的点递归神经网络(PointRNN)。在每个时间步长,PointRNN都将点坐标P∈Rn×3和点特征X∈Rn×d作为输入(n和d分别表示点数和特征通道数)。 PointRNN的状态由点坐标P和点状态S∈Rn×dl(dI表示状态通道的数量)组成。同样,PointRNN的输出由P和新的点特征Y∈Rn×dll(dII表示新特征通道的数量)组成。由于点云是无序的,因此无法直接操作两个时间步的点特征和状态。因此,采用基于点的时空局部相关来根据点坐标聚合点特征和状态。我们还提出原创 2020-07-04 19:52:00 · 3276 阅读 · 0 评论 -
【论文速览】PointPainting: Sequential Fusion for 3D Object Detection
摘要摄像头和激光雷达是通常是机器人技术,特别是自动驾驶汽车的重要传感器形式。传感器提供补充信息,为紧密的传感器融合提供了机会。令人惊讶的是,仅使用激光雷达的方法在主要基准数据集上的性能优于融合方法,这表明文献中存在空白。在这项工作中,我们提出了PointPainting:一种填补这一空白的顺序融合方法。PointPainting将激光雷达点投影到仅图像的语义分割网络的输出中并将类分数附加到每个点。然后可以将附加的(painted)点云馈送到任何仅激光雷达的方法。实验显示,在KITTI和nuScenes数据原创 2020-06-03 11:32:18 · 2965 阅读 · 0 评论 -
【论文速览】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
摘要提出了一种新的高性能的三维目标检测框架:PointVoxel-RCNN(PV-RCNN),用于从点云中精确检测三维目标。该方法将3D体素卷积神经网络(CNN)和基于PointNet的集合抽象有机地结合起来,以学习更具鉴别能力的点云特征。它利用了3D体素CNN的高效学习和高质量提案以及基于PointNet的感受野可变的优势。具体地说,该框架通过一个新的体素集抽象模块将具有3D体素CNN的3D场景总结成一个小的关键点集,以节省后续计算,并对具有代表性的场景特征进行编码。考虑到体素CNN生成的高质量3D提案原创 2020-06-01 19:41:34 · 1113 阅读 · 0 评论 -
【论文速览】PointAugment:点云分类的自动增强框架(CVPR2020)
摘要3D点云是一种相对较新的研究对象,并且近年来变得越来越普遍。新型廉价激光雷达的发展以及对立体和单眼深度估计的改进促进了该领域的研究。但是点云数据很难获得并且很难标记。例如,用于分类任务的标准基准ModelNet40仅包含40个类别的12311个模型。而在ImageNet中,有20000个类别和1400万张图像。因此,数据增强对于点云非常方便且至关重要。作者提出了PointAugment,这是...原创 2020-03-29 18:22:36 · 1682 阅读 · 1 评论 -
YOLOv3原理及代码解析
YOLO v3原理及代码解析YOLO是一种端到端的目标检测模型。YOLO算法的基本思想是:首先通过特征提取网络对输入特征提取特征,得到特定大小的特征图输出。输入图像分成13×13的grid cell,接着如果真实框中某个object的中心坐标落在某个grid cell中,那么就由该grid cell来预测该object。每个object有固定数量的bounding box,YOLO v3中有三个...原创 2019-01-15 23:10:01 · 54762 阅读 · 7 评论 -
【论文速览】利用形状补全进行3D孪生跟踪 Leveraging Shape Completion for 3D Siamese Tracking
Leveraging Shape Completion for 3D Siamese Tracking这是一篇CVPR2019录用的一篇三维目标跟踪文章摘要点云由于其稀疏性而难以处理,因此自动驾驶汽车更多地依赖外观属性,而不是纯粹的几何特征。但是,3D LIDAR感知可以在充满挑战的光线或天气条件下为城市导航提供关键信息。在本文中,作者研究了激光雷达点云三维目标跟踪中形状补全的通用性。作者研...原创 2020-03-03 23:31:40 · 179 阅读 · 1 评论 -
ubuntu安装pytorch-geometric
Environment OS:ubuntu16.04 Python version:Python 3.6.8 PyTorch version:1.1.0 CUDA/cuDNN version:9.0.176 GCC version:5.4.0检查1 检查pytorch支持cuda$ python -c "import torch; print(torch.cuda.is_ava...原创 2020-02-25 17:12:49 · 2233 阅读 · 6 评论 -
点云语义分割深度学习方法的总结
PointNet直接使用点云数据作为输入,解决了点云的无序性问题,点之间的相关性问题,刚体运动的不变性问题。他们证明了在数据量很大的情况下,提取一系列点的全局特征,可以与对单个点提取特征的点集,与对称函数的作用结果相近似。其中,使用mlp完成单点的特征提取,使用对称函数,即对顺序不敏感的函数,完成点云中共有特征的抽取,PointNet的使用的对称函数为max pooling。设输入特征为ND,使用...原创 2020-02-22 08:39:05 · 2087 阅读 · 0 评论 -
【综述翻译:第二章】Deep Learning for 3D Point Clouds: A Survey
Deep Learning for 3D Point Clouds: A Survey为国防科技大学发布的综述文章,这里只翻译第二章。下载链接:https://arxiv.org/abs/1912.12033;仓库链接:https://github.com/QingyongHu/SoTA-Point-Cloud2 3D形状分类这些方法通常首先学习每个点的嵌入,然后使用聚合方法从整个点云中提...原创 2020-02-03 11:19:02 · 4742 阅读 · 1 评论 -
【ICCV2019论文阅读】PU-GAN:点云上采样对抗网络
摘要从范围扫描获取的点云通常稀疏,嘈杂且不均匀。 本文提出了一种称为PU-GAN 的新点云上采样网络,该网络是基于生成对抗网络(GAN)制定的,旨在从潜在空间中学习丰富的点分布并在对象表面的子块上对点进行上采样。为了实现可运行的GAN网络,我们在生成器中构造了一个自上而下再向上的扩展单元,以对带有误差反馈和自校正的点特征进行上采样,并制定了一个自注意力单元来增强特征集成。 此外,我们设计了具有对...原创 2019-12-06 21:00:51 · 5865 阅读 · 0 评论 -
使用docker快速部署/运行代码
记录一下使用docker镜像,部署到另一台工作站运行代码的过程!0pip freeze > requirement.txt1sudo docker pull pytorch/pytorch:1.1.0-cuda10.0-cudnn7.5-runtime2sudo nvidia-docker run -it -p 12346:22 -v /media/fengzicai/fzc...原创 2019-11-05 10:08:57 · 2050 阅读 · 0 评论 -
深入了解AlexNet网络
该文章系本人所写在图像分类领域不得不提的就是ImageNet大规模视觉挑战赛(ILSVRC),它被称为深度学习在图像分类任务研究方面进展的标杆。AlexNet网络参加了ILSVRC2012年大赛,以高出第二名10%的性能优势取得了冠军。AlexNet网络也是VGGNet、GoogLeNet、ResNet、DenseNet等经典网络的基础和开端。常见的卷积方式有三种,即Ful...原创 2019-09-17 13:34:15 · 1083 阅读 · 3 评论