Improved Model Structure and Unsupervised Domain Adaptation for Road-Object Segmentation from a LiD

最新推荐文章于 2022-03-09 16:38:54 发布
最新推荐文章于 2022-03-09 16:38:54 发布
阅读量258 收藏 1
点赞数 1
分类专栏： Lidar Paper 文章标签： 深度学习 pytorch
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/weixin_44973419/article/details/120555969
版权
本文详细解读SqueezeSegV2论文，探讨如何提升雷达点云数据的抗噪能力，解决类别不平衡问题，并介绍无监督领域适应训练，包括多模态反射强度生成网络、网络测量校正和渐进域校准等策略，以降低合成数据与真实数据间的分布差异影响。
摘要由CSDN通过智能技术生成

SqueezeSegV2 论文解读

Improved Model Structure and Unsupervised Domain Adaptation for Road-Object Segmentation from a LiDAR Point Cloud
在这里插入图片描述

SqueezeSegV2 网络结构

Contribution：1 提升雷达的抗噪能力 2 提出了使用合成数据训练的domain - shift pipeline

抗噪能力

显示环境下收集到的点云数据会存在缺失点的情况。缺失的点会引入dropout noise，这种噪声在网络的前几层（感受野较小）的时候影响较大，会造成一个kerner输出的failed，作者使用dropout来模拟了这个噪声

在这里插入图片描述

加入CAM前后，网络受dropout（掉点）的影响图

为了削弱这个噪声的影响，作者提出CAM模块，Structure of Context Aggregation Module.

该模块置于Conv1后面，所以输入不会有0元素，可能是通过检查dropout对网络影响的实验，试出来的网络结构。

point categories imbalance–Focal Loss

  • Problem：由于雷达扫描中，背景点数远多于前景物体点，导致前景点在训练过程中对网络的影响减小。
  • solution：

F L ( p t ) = − ( 1 − p t ) γ log ⁡ ( p t ) F L\left(p_{t}\right)=-\left(1-p_{t}\right)^{\gamma} \log \left(p_{t}\right) FL(pt​)=−

最低0.47元/天 解锁文章
FUTUREEEEEE
关注
  • 1
    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
SqueezeSegV2: Improved Model Structure and Unsupervised Domain Adaptation for Road-Object Segmentati
听风轻咛
03-01 2085
摘要 - 早期的工作证明了基于深度学习的点云分割方法的前景;然而，这些方法需要改进才能实用。为此，我们引入了一个新模型SqueezeSegV2，它对于LiDAR点云中的噪声丢失更加稳健。凭借改进的模型结构，训练损失，批量标准化和额外的输入通道，SqueezeSegV2在实际数据训练时实现了显着的精度提高。用于点云分割的训练模型需要大量标记的点云数据，这获得了昂贵的成本。为了回避收集和注释的成本，...
点云 3D 分割 - SqueezeSegV2（ICRA 2019）
77wpa的博客
12-31 1410
早期的工作证明了基于深度学习的点云分割方法的前景；然而，这些方法需要改进，以使其实用。为此，我们引入了一个新模型SquezeSegV2，它对LiDAR点云中的脱落噪声更为鲁棒。通过改进的模型结构、训练损失、批量标准化和额外的输入通道，SquezeSegV2在实际数据上训练时实现了显著的准确性提高。用于点云分割的训练模型需要大量标记的点云数据，这很难获得。为了避免收集和注释的成本，可以使用GTA-V等模拟器来创建无限量的标记合成数据。然而，由于领域转移，基于合成数据训练的模型通常不能很好地推广到现实世界。
Real-time Deep Registration With Geodesic Loss 中 Loss 的 pytorch 实现
小木的博客
07-05 673
Real-time Deep Registration With Geodesic Loss 中 Loss 的 pytorch 实现 1. pytorch实现 Paper: Real-time Deep Pose Estimation with Geodesic Loss for Image-to-Template Rigid Registration 该论文采用网络回归刚性配准的参数，主要借鉴其loss函数。由于自己写的pytorch代码，因此改为直接可用的Loss函数。 论文源码链接 在流形中，由
点云 3D 分割 - SqueezeSegV1、SqueezeSegV2、SqueezeSegV3
77wpa的博客
03-09 4693
点云 3D 语义分割 - SqueezeSegV21. 文章信息2. SqueezeSegV2 简介2.1 算法特点 1. 文章信息 文章标题 SqueezeSegV2: Improved Model Structure and Unsupervised Domain Adaptation for Road-Object Segmentation from a LiDAR Point Cloud (2018) 文章链接 https://arxiv.org/pdf/1809.08495v1.pdf
SqueezeSegV2:从LiDAR点云实现SqueezeSegV2的实现，改进的模型结构和无监督域自适应，用于道路目标分割
05-05
SqueezeSegV2 ：从LiDAR点云进行道路对象分割的改进模型结构和无监督域自适应 吴碧晨，周璇宇，赵思成，岳向宇，Kurt Keutzer（加州大学伯克利分校） 该存储库包含SqueezeSegV2的Tensorflow实现，SqueezeSegV2是一种改进的卷积神经网络模型，用于LiDAR分割和无监督域自适应，用于从LiDAR点云进行道路目标分割。 请参阅我们的视频，以高水平介绍这项工作： : 。 有关更多详细信息，请参阅我们的SqueezeSegV2论文： ://arxiv.org/abs/1809.08495。 如果您发现这项工作对您的研究有用，请考虑引用： @inproceedings{wu2018squeezesegv2, title={SqueezeSegV2: Improved Model Structure and Unsupervised D
An improved region-based model with local statistical features for image segmentation
02-20
In this paper, we propose a new region-based active contour model (ACM) for image segmentation. In particular, this model utilizes an improved region fitting term to partition the regions of interests...
Improved Negative Differential Mobility Model of GaN and AlGaN for a Terahertz Gunn Diode
02-06
This paper presents an improved negative differential mobility model for GaN and AlGaN to simulate GaN Gunn diodes at terahertz frequencies. Temperature-dependent parameters nu(sat), E(c), alpha, ...
A New VLSI Structure for An Improved Near-lossless Color Image
02-05
标题与描述均提到了一种新的VLSI结构用于改进的近无损彩色图像压缩算法，这一主题在IT领域尤其在图像处理与传输技术方面具有重要价值。以下是对该主题涉及的关键知识点的详细解析： ### 一、VLSI结构与无线内窥镜...
论文研究-A New Structure LDPC Codes Improved of QC-LDPC Codes.pdf
08-21
一种改进的QC-LDPC码码型构造，张文俊，，低密度奇偶校验码（LDPC codes）码是一种性能接近香浓限得线性分组码，而准循环低密度奇偶校验码（QC-LDPC codes）是LDPC码的一个重要子类
网络营销数据解读（八）——客户族群细分（Segmentation）2-1
算法 股票 java,Ajax,Spring,Hibernate,Ejb3
04-25 222
转载声明 ：转载时请以超链接形式标明文章原始出处: http://www.marsopinion.com/2010/03/17/how-to-interpret-internet-marketing-data-segmentation-2-1/ 建议先阅读本系列其他文章： 网络营销数据解读（一）——事情不是你看到的那样 网络营销数据解读（二）——事情不是你看到的那样 ...
（CVPR2020）Model Adaptation: Unsupervised Domain Adaptation without Source Data总结
VioletSaber的博客
09-26 2148
Model Adaptation: Unsupervised Domain Adaptation without Source Data 本文提出一个新的问题，没有源域数据的无监督领域自适应问题。 说是没有源域数据，其实指的是在Domain Adaptation的过程中不使用源域数据。以本文为例，它仍然使用了使用源域数据预训练出的分类模型。 模型结构 本文主要结构包括三个部分，生成器GGG，特征提取器和分类器CCC以及判别器DDD 特征提取器和分类器CCC首先使用使用源域数据进行预训练得到一个原始模型。
无人驾驶汽车系统入门（二十八）——基于VoxelNet的激光雷达点云车辆检测及ROS实现
热门推荐
AdamShan的博客
12-05 2万+
无人驾驶汽车系统入门（二十八）——基于VoxelNet的激光雷达点云车辆检测及ROS实现 前文我们提到使用SqueezeSeg进行了三维点云的分割，由于采用的是SqueezeNet作为特征提取网络，该方法的处理速度相当迅速（在单GPU加速的情况下可达到100FPS以上的效率），然而，该方法存在如下的问题：第一，虽然采用了CRF改进边界模糊的问题，但是从实践结果来看，其分割的精度仍然偏低；第二，该...
无人驾驶汽车系统入门：基于VoxelNet的激光雷达点云车辆检测及ROS实现
AI科技大本营
12-06 2621
作者 | 申泽邦（Adam Shan）兰州大学在读硕士研究生，主要研究方向无人驾驶，深度学习；兰大未来计算研究院无人车团队负责人，自动驾驶全栈工程师。之前我们提到使用Sq...
self_drive car_学习笔记--第5课：动态环境感知与3D detection
qq_45701501的博客
12-14 1898
前言：这节课，主要是介绍激光雷达点云处理算法。处理基本思想就是，将3d点云信息转为2d信息，然后根据上一节课的图片处理算法常规操作即可。是不是挺简单的，哈哈哈。但，比较遗憾，本地环境问题还没有解决，还没有复现。这里就是记录的是，算法相关的论文以及GitHub开源的项目里面部分代码解析。好了，这一篇也仅供各位参考，欢迎大佬批评指正。 1 雷达激光点云基础及相关知识 1.1 激光雷达点云的认识 1）激光产生的 –机械式lidar:TOF（利用飞行时间计算距离）、N个独立激光单元、旋转产生360度视场 –MEMS
3D点云深度学习综述
dxzysk的专栏
03-06 5687
3D点云深度学习综述Deep Learning for 3D Point Clouds: A Survey论文翻译 作者：Yulan Guo, Hanyun Wang, Qingyong Hu, Hao Liu, Li Liu, and Mohammed Bennamoun 译者：dxzysk 译者注：本文仅是对原论文的翻译，作为学习笔记仅供记录、参考学习使用，建议阅读作者的英文原文。受水平限制，难免有错误之处，尽情谅解。 原论文：https://arxiv.org/abs/1912.1203...
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 4367
文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D形状分类3.1基于多视角的方法3.2基于体素的方法3.3 基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5
Revisiting-Dilated-Convolution-A-Simple-Approach-for-Weakly-and-Semi-Supervised
u010067397的专栏
01-05 842
when 魏云超组的18年 cvpr spot who 弱监督语义分割问题的新方法，用扩张卷积得到注意力图，可能能够在GAIN的大框架上面修改 why 提出 尽管弱监督分割方法取得了显着的进步，但仍然不如全监督的方法。我们认为性能差距主要来自他们学习从图像级监督产生高质量密集对象定位图的限制。 为了弥补这种差距，我们重新审视了空洞卷积[1]并揭示了如何以一种新颖的方式利用它来有效地克服弱...
improved road connectivity by joint learning of orientation and segmentation
最新发布
04-29
“通过联合学习方向和分割来改善道路连通性”是指一种新的方法，用于通过智能化的技术来改善道路的连通性，以提高道路网络的质量和效率。 传统的道路连通性方法仅依赖于道路识别和标记，其中道路被划分为固定的区域...
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

FUTUREEEEEE

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