【IROS 2019】RangeNet++： 快速准确的LiDAR语义分割
2022-12-29
107
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
目录
相关文章
|
5月前
|
机器学习/深度学习
编解码
定位技术
|
机器学习/深度学习
传感器
人工智能
首篇！最全的全景分割综述（RGB图像/医学图像/LiDAR）（下）
本文对现有的全景分割方法进行了第一次全面的综述。因此，基于所采用的算法、应用场景和主要目标的性质，对现有全景技术进行了定义良好的分类。此外，还讨论了全景分割在通过伪标记标注新数据集中的应用。接下来，进行消融研究，以从不同角度了解全景方法。此外，还讨论了适用于全景分割的评估指标，并对现有解决方案的性能进行了比较，以了解最新技术并确定其局限性和优势。最后，阐述了当前主题技术面临的挑战以及近期吸引大量关注的未来趋势，这可以作为未来研究的起点。
803
0
0
|
5月前
|
机器学习/深度学习
数据处理
计算机视觉
|
5月前
|
人工智能
机器人
测试技术
论文介绍：零样本6D物体姿态估计框架SAM-6D，向具身智能更进一步
【5月更文挑战第4天】SAM-6D框架是零样本6D物体姿态估计的突破，能检测并准确估计新物体姿态，推动具身智能发展。该框架结合实例分割和姿态估计模型，实现RGB-D图像中的物体分割与姿态估计。在BOP基准测试中，SAM-6D超越现有方法，展示出色泛化能力，但还需应对光照变化、遮挡等问题，以提升现实环境中的性能。[论文链接](https://arxiv.org/pdf/2311.15707.pdf)
122
13
14
|
机器学习/深度学习
传感器
编解码
史上最全 | BEV感知算法综述（基于图像/Lidar/多模态数据的3D检测与分割任务）
以视觉为中心的俯视图（BEV）感知最近受到了广泛的关注，因其可以自然地呈现自然场景且对融合更友好。随着深度学习的快速发展，许多新颖的方法尝试解决以视觉为中心的BEV感知，但是目前还缺乏对该领域的综述类文章。本文对以视觉为中心的BEV感知及其扩展的方法进行了全面的综述调研，并提供了深入的分析和结果比较，进一步思考未来可能的研究方向。如下图所示，目前的工作可以根据视角变换分为两大类，即基于几何变换和基于网络变换。前者利用相机的物理原理，以可解释性的方式转换视图。后者则使用神经网络将透视图（PV）投影到BEV上。
3534
0
0
|
5月前
|
存储
算法
自动驾驶
|
5月前
|
机器学习/深度学习
计算机视觉
|
5月前
|
机器学习/深度学习
编解码
自动驾驶
|
5月前
|
编解码
算法
自动驾驶
|
11月前
|
算法
CamVid数据集（智能驾驶场景的语义分割）
CamVid 数据集是由剑桥大学公开发布的城市道路场景的数据集。CamVid全称：The Cambridge-driving Labeled Video Database，它是第一个具有目标类别语义标签的视频集合。
数据集包 括 700 多张精准标注的图片用于强监督学习，可分为训练集、验证集、测试集。同时， 在 CamVid 数据集中通常使用 11 种常用的类别来进行分割精度的评估，分别为：道路 （Road）、交通标志（Symbol）、汽车（Car）、天空（Sky）、行人道（Sidewalk）、电线杆 （Pole）、围墙（Fence）、行人（Pedestrian）、建筑物（Building）
392
0
0