点云&融合fusion
点云&融合fusion
普通网友
这个作者很懒,什么都没留下…
展开
-
点云与高精地图
点云与高精地图原创 2021-06-16 05:50:08 · 617 阅读 · 0 评论 -
激光雷达Lidar Architecture and Lidar Design(下)
激光雷达Lidar Architecture and Lidar Design(下)Considerations on Lidar Design双基地还是单基地?双轴还是同轴?几何重叠向上还是向下看?关心分散还是只关心时间?发射器和接收器的波长是否可调?发射器和接收器的带宽功率/能量考虑bit宽度-脉冲持续时间,重复率夜间还是全天工作?体积、质量、成本、可靠性、稳健性、操作性等?Configuration & Arrangement大多数现代激光雷达采用单站结构,双轴或原创 2020-12-13 07:05:09 · 370 阅读 · 0 评论 -
激光雷达Lidar Architecture and Lidar Design(上)
激光雷达Lidar Architecture and Lidar Design(上)介绍激光雷达结构:基本条件构型和基本布置激光雷达设计:基本思想和基本原则总结介绍激光雷达结构是激光雷达系统设备的技术方案(包括硬件和软件)。介绍激光雷达的设计基于对物理相互作用的理解,并进行了相关流程和激光雷达仿真,设计了一套激光雷达系统,这符合测量目标。激光雷达设计包括(1) 根据测量目标选择使用哪种类型的激光雷达(主题),测量要求(精度、精度和分辨率)以及操作要求(可靠性、稳定性、操作难度),原创 2020-12-12 17:48:29 · 482 阅读 · 0 评论 -
RADAR和LIDAR区别分析
RADAR和LIDAR区别分析如果一直关注自动驾驶汽车的新闻,可能已经注意到许多自动驾驶汽车制造商正在使用LIDAR(光成像检测和测距)进行车载物体检测。对于许多自动 驾驶汽车应用而言,LIDAR比其他常用的对象检测技术RADAR(无线电检测和测距)更好。但是,当需要经受恶劣环境的高质量,负担得起的物体检测时,雷达是一个明智的选择。原因如下:LIDAR传感器通过发出高频激光脉冲然后测量其中一些脉冲撞击物体,反弹并撞击传感器所需的时间(以纳秒为单位)来找到物体。随着物体的移动,LIDAR传感器内部的处理原创 2020-12-12 14:15:48 · 8462 阅读 · 2 评论 -
激光雷达数据到云cloud
激光雷达数据到云cloud在美国地质调查局的3D提升计划(3DEP)被激发到一个新的方式可用性宣布从3DEP仓库的访问和处理激光雷达点云数据。3DEP一直在美国使用光检测和测距(激光)技术获取三维信息,这是一种基于机载激光的遥感技术,在飞行时收集数十亿激光雷达的回波,并将结果提供给公众。除了简单的下载,USGS的战略重点是提供新的机制来访问3DEP数据。随着3DEP对云存储和计算的采用,用户现在可以选择使用海量激光雷达点云数据集,而不必将其下载到本地计算机。最近,USGS开始将3DEP激光雷达点云数据原创 2020-12-11 20:54:52 · 480 阅读 · 0 评论 -
激光雷达lidar与点云数据
激光雷达lidar与点云数据DEM是分布和显示数字地形的首个广泛使用的机制。点云是在空间中随机放置的3D点的集合。传感器发出能量脉冲并乘以其返回行程(TWTT,双向行程时间)。知道了传感器的位置以及脉冲的传输方向,就可以确定反射面的3D位置。传感器还可以测量回波的强度,以估计反射表面的表面几何形状和材料成分。点云可以直接使用,也可以转换为2.5D网格,DTM或DSM。作为网格,与点云相比,它可以更小,更熟悉并且更易于操作。点云的类型现在,激光雷达通常使用所有小写字母进行拼写,并且代表“光检测和测距原创 2020-12-11 20:33:46 · 2167 阅读 · 0 评论 -
CVPR2020:点云分类的自动放大框架PointAugment
CVPR2020:点云分类的自动放大框架PointAugmentPointAugment: An Auto-Augmentation Framework for Point Cloud Classification论文地址:https://openaccess.thecvf.com/content_CVPR_2020/html/Li_PointAugment_An_Auto-Augmentation_Framework_for_Point_Cloud_Classification_CVPR_2020_原创 2020-07-02 09:24:53 · 538 阅读 · 0 评论 -
CVPR2020:Grid-GCN用于快速和可扩展的点云学习
CVPR2020:Grid-GCN用于快速和可扩展的点云学习Grid-GCN for Fast and Scalable Point Cloud Learning论文地址:https://openaccess.thecvf.com/content_CVPR_2020/html/Xu_Grid-GCN_for_Fast_and_Scalable_Point_Cloud_Learning_CVPR_2020_paper.html代码地址:https://github.com/xharlie/Grid-G原创 2020-07-02 07:45:30 · 1050 阅读 · 1 评论 -
CVPR2020:基于自适应采样的非局部神经网络鲁棒点云处理(PointASNL)
CVPR2020:基于自适应采样的非局部神经网络鲁棒点云处理(PointASNL)PointASNL: Robust Point Clouds Processing Using Nonlocal Neural Networks With Adaptive Sampling论文地址:https://openaccess.thecvf.com/content_CVPR_2020/html/Yan_PointASNL_Robust_Point_Clouds_Processing_Using_Nonlocal原创 2020-07-01 18:15:11 · 1437 阅读 · 1 评论 -
CVPR2020:三维点云无监督表示学习的全局局部双向推理
CVPR2020:三维点云无监督表示学习的全局局部双向推理Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds论文地址:https://openaccess.thecvf.com/content_CVPR_2020/papers/Rao_Global-Local_Bidirectional_Reasoning_for_Unsupervised_Representa原创 2020-07-01 17:12:27 · 1229 阅读 · 0 评论 -
CVPR2020:点云三维目标跟踪的点对盒网络(P2B)
CVPR2020:点云三维目标跟踪的点对盒网络(P2B)P2B: Point-to-Box Network for 3D Object Tracking in Point Clouds代码:https://github.com/HaozheQi/P2B论文地址:https://openaccess.thecvf.com/content_CVPR_2020/papers/Qi_P2B_Point-to Box_Network_for_3D_Object_Tracking_in_Point_Clouds原创 2020-07-01 16:29:16 · 1608 阅读 · 0 评论 -
PointRCNN: 点云的3D目标生成与检测
PointRCNN: 点云的3D目标生成与检测PointRCNN: 3D Object Proposal Generation andDetection from Point Cloud论文地址:https://arxiv.org/abs/1812.04244代码地址:https://github.com/sshaoshuai/PointRCNN摘要本文提出了一种基于点云的三维目标检测方法。整个框架由两个阶段组成:第一阶段用于自下而上的3D方案生成,第二阶段用于在标准坐标系中细化方案以获得最终的原创 2020-06-10 19:36:44 · 891 阅读 · 0 评论 -
3D点云重建原理及Pytorch实现
3D点云重建原理及Pytorch实现Pytorch: Learning Efficient Point Cloud Generation for Dense 3D Object Reconstruction一种Pytorch实现方法:学习高效的点云生成方法用于稠密三维物体重建Article:https://chenhsuanlin.bitbucket.io/3D-point-cloud-generation/paper.pdfOriginalTF implementation: https://原创 2020-06-10 17:58:51 · 2914 阅读 · 2 评论 -
地图构建两篇顶级论文解析
地图构建两篇顶级论文解析一.基于声纳的密集水下场景重建标题:Dense, Sonar-based Reconstruction of Underwater Scenes作者:Pedro V. Teixeira, Dehann Fourie, Michael Kaess, and John J.Leonard来源:IEEE/RSJ International Conference on Intelligent Robotsand Systems (IROS),2019摘要通常,重建问题分为三个原创 2020-06-07 18:43:25 · 472 阅读 · 0 评论 -
SLAM架构的两篇顶会论文解析
SLAM架构的两篇顶会论文解析一.基于superpoint的词袋和图验证的鲁棒闭环检测标题:Robust Loop Closure Detection Based on Bag of SuperPointsand Graph Verification作者:Haosong Yue, Jinyu Miao, Yue Yu, Weihai Chen and Changyun Wen来源:IEEE/RSJ International Conference on Intelligent Robotsand原创 2020-06-07 16:03:53 · 660 阅读 · 0 评论 -
3D点云点云分割、目标检测、分类
3D点云点云分割、目标检测、分类原标题Deep Learning for 3D Point Clouds: A Survey作者Yulan Guo, Hanyun Wang, Qingyong Hu, Hao Liu, Li Liu, and Mohammed Bennamoun原文参考链接:https://arxiv.org/abs/1912.12033导读3D点云学习( Point Clouds)作为近年来的研究热点之一,受到了广泛关注,每年在各大会议上都有大量的相关文章发表。当前,点云上的深原创 2020-06-03 07:02:17 · 3658 阅读 · 0 评论 -
3D点云深度学习
3D点云深度学习在自动驾驶中关于三维点云的深度学习方法应用、三维场景语义理解的方法以及对应的关键技术介绍。数据但是对于3D点云,数据正在迅速增长。大有从2D向3D发展的趋势,比如在opencv中就已经慢慢包含了3D点云的处理的相关模块,在数据方面点云的获取也是有多种渠道, 无论是源于CAD模型还是来自LiDAR传感器或RGBD相机的扫描点云,无处不在。 另外,大多数系统直接获取3D点云而不是拍摄图像并进行处理。因此,在深度学习大火的年代,应该如何应用这些令人惊叹的深度学习工具,在3D点云上的处理上原创 2020-05-31 05:56:17 · 2538 阅读 · 1 评论 -
SLAM的通用框架:GSLAM
SLAM的通用框架:GSLAMGSLAM: A General SLAM Framework andBenchmark论文链接:http://openaccess.thecvf.com/content_ICCV_2019/papers/Zhao_GSLAM_A_General_SLAM_Framework_and_Benchmark_ICCV_2019_paper.pdf摘要SLAM技术最近取得了许多成功,吸引了高科技公司的注意。然而,如何统一现有或新兴算法的接口,有效地进行速度、健壮性和可移植原创 2020-05-26 19:44:06 · 876 阅读 · 1 评论 -
最佳点云分割分析
最佳点云分割分析Learning to OptimallySegment Point Clouds论文链接:https://arxiv.org/abs/1912.04976摘要我们关注LiDAR点云的无类实例分割问题。我们提出了一种将图论搜索与数据驱动的学习相结合的方法:在一组候选分割中搜索综合目标性(objectness)评分较高的候选分割。我们证明了,如果根据分割中最低的目标性对分割进行评分,那么就有一种有效的算法可以在成倍数量的候选分割中找到最优的最坏情况分割。此外,我们还针对平均情况提出了原创 2020-05-19 19:57:09 · 557 阅读 · 0 评论 -
深度学习LiDAR定位:L3-Net
深度学习LiDAR定位:L3-Net摘要本文提出L3-Net——一种新颖的基于学习的LiDAR定位系统,可实现厘米级的定位,与现有最高水平的传统定位算法相媲美。与传统定位算法不同,本文创新地实现了使用各种深度神经网络结构来建立基于学习的定位算法。首先,L3-Net会学习专门针对不同现实驾驶场景中的匹配而优化的局部描述,在解决方案空间中建立的成本量上的3D卷积显著提高了定位精度。其次,使用RNN...原创 2020-05-04 07:21:14 · 1470 阅读 · 0 评论 -
深度学习点云语义分割:CVPR2019论文阅读
深度学习点云语义分割:CVPR2019论文阅读Point Cloud Oversegmentation withGraph-Structured Deep Metric Learning摘要本文提出了一个新的超级学习框架,用于将三维点云过度分割为超点。本文将此问题转化为学习三维点的局部几何和辐射测量的深度嵌入,从而使物体边界呈现高对比度。嵌入计算使用轻量级神经网络在点的局部邻域上操作。最后...原创 2020-04-15 08:49:48 · 1272 阅读 · 0 评论 -
基于点云的骨骼感知三维人体形状重建
基于点云的骨骼感知三维人体形状重建Skeleton-Aware 3D Human ShapeReconstruction From Point Clouds论文链接:http://openaccess.thecvf.com/content_ICCV_2019/papers/Jiang_Skeleton-Aware_3D_Human_Shape_Reconstruction_From_Po...原创 2020-04-10 09:11:37 · 3139 阅读 · 1 评论 -
三维成像结构光
三维成像结构光Micro-Baseline Structured Light论文链接:http://openaccess.thecvf.com/content_ICCV_2019/papers/Saragadam_Micro-Baseline_Structured_Light_ICCV_2019_paper.pdf摘要我们提出微基线结构光(MSL),一种新的三维成像方法,设计用于小尺寸...原创 2020-04-09 19:39:59 · 876 阅读 · 0 评论 -
点云配准的端到端深度神经网络:ICCV2019论文解读
点云配准的端到端深度神经网络:ICCV2019论文解读DeepVCP: An End-to-End Deep Neural Networkfor Point Cloud Registration论文链接:http://openaccess.thecvf.com/content_ICCV_2019/papers/Lu_DeepVCP_An_End-to-End_Deep_Neural_Ne...原创 2020-03-27 18:22:41 · 2287 阅读 · 2 评论