【IROS 2019】RangeNet++： 快速准确的LiDAR语义分割
2022-12-29
102
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
|
4月前
|
4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。
794
0
0
|
4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)
110
13
14
|
4月前
|
机器学习/深度学习
数据处理
计算机视觉
|
4月前
|
计算机视觉
论文介绍：Panoptic-DeepLab——一种简单、强大且快速的自下而上全景分割基线
【5月更文挑战第22天】Panoptic-DeepLab是UIUC和Google Research合作开发的一种高效全景分割基线，采用双ASPP和双解码器设计，优化语义和实例分割。在Cityscapes、Mapillary Vistas和COCO数据集上表现优秀，同时保持接近实时的速度。其简洁设计仅需三个损失函数，具有高通用性和可扩展性。然而，仍面临尺度变化、实例分割等挑战，需要进一步优化。[链接](https://arxiv.org/abs/1911.10194)
70
0
0
|
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。
3478
0
0
|
4月前
|
机器学习/深度学习
编解码
自动驾驶
|
4月前
|
编解码
算法
自动驾驶
|
10月前
|
算法
自动驾驶
开发者
Cityscapes数据集（智能驾驶场景的语义分割）
面向智能驾驶（辅助驾驶、自动驾驶）场景下的语义分割任务，由于非结构化场景的复杂性，是一个非常具有挑战性的任务，所以有许多研究者和研究机构公开了很多相关的数据集推动语义分割领域的发展。本文主要介绍Cityscapes数据集。
327
0
0