<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Deathflower的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Deathflower</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Deathflower]]></copyright><item><title><![CDATA[OmniRe: Omni Urban Scene Reconstruction]]></title><link>https://blog.youkuaiyun.com/Deathflower/article/details/145770333</link><guid>https://blog.youkuaiyun.com/Deathflower/article/details/145770333</guid><author>Deathflower</author><pubDate>Fri, 21 Feb 2025 11:00:39 +0800</pubDate><description><![CDATA[论文概述OmniRe是一种面向动态城市场景的全景式重建框架，旨在通过车载传感器日志高效重建高保真的动态场景。当前基于和的方法在处理复杂驾驶场景中的动态对象（如行人、骑行者、轮椅使用者）时存在显著局限，通常只能对刚性车辆进行建模，忽略了其他易受伤害的道路使用者 (VRUs)，导致动态城市场景重建的完整性不足。OmniRe 提出了一种动态神经场景图 (Dynamic Neural Scene Graphs)，结合高斯表示 (Gaussian Representations)，为不同的动态对象构建了多个。]]></description><category></category></item><item><title><![CDATA[DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban]]></title><link>https://blog.youkuaiyun.com/Deathflower/article/details/145594629</link><guid>https://blog.youkuaiyun.com/Deathflower/article/details/145594629</guid><author>Deathflower</author><pubDate>Fri, 21 Feb 2025 09:30:18 +0800</pubDate><description><![CDATA[第一阶段：动态区域掩码提取 (Dynamic Mask Extraction)在第一阶段，目的是从渲染的图像和真实图像（Ground Truth, GT）中提取动态区域的掩码（motion mask），标记出哪些区域是动态的（如移动的车辆、行人），哪些是静态的（如建筑物、道路）。动态掩码提取的关键是利用渲染图像和真实图像的特征差异区分静态和动态区域。在第一阶段，通过计算渲染图像和真实图像的特征差异，并结合 MLP 解码器优化动态性预测，生成动态掩码MMM。]]></description><category></category></item><item><title><![CDATA[《CVPR2022 | LiDAR Snowfall Simulation for Robust 3D Object Detection 》阅读笔记]]></title><link>https://blog.youkuaiyun.com/Deathflower/article/details/143434999</link><guid>https://blog.youkuaiyun.com/Deathflower/article/details/143434999</guid><author>Deathflower</author><pubDate>Fri, 01 Nov 2024 17:54:58 +0800</pubDate><description><![CDATA[本文探讨了在降雪条件下，基于LiDAR的3D目标检测问题，这一任务对于自动驾驶应用至关重要，因为自动驾驶系统需要在各种天气条件下，准确地定位和分类周围的交通参与者。然而，在恶劣天气下采集和标注用于训练的数据集非常困难。为了解决这个问题，我们提出了一种基于物理的模拟方法，可以将降雪效果应用到晴天的LiDAR点云数据中。我们的方法通过为每条LiDAR线在2D空间中采样雪粒，使用几何关系来模拟雪粒对每条激光束测量的影响。此外，考虑到降雪会导致地面潮湿，我们还模拟了潮湿地面对点云的影响。]]></description><category></category></item><item><title><![CDATA[《ECCV2024 Oral | LidarWeather》]]></title><link>https://blog.youkuaiyun.com/Deathflower/article/details/143332141</link><guid>https://blog.youkuaiyun.com/Deathflower/article/details/143332141</guid><author>Deathflower</author><pubDate>Fri, 01 Nov 2024 15:53:26 +0800</pubDate><description><![CDATA[这篇论文针对恶劣天气条件下 LiDAR 语义分割性能下降的问题进行了研究。现有方法通常采用通用数据增强或仿真技术来处理这一问题，但这两种方法分别存在忽略 LiDAR 天气腐蚀问题和无法准确模拟所有天气情况的缺点。几何扰动和点云丢失。通过实验验证，这两种失真与分割性能的下降密切相关。基于这些发现，本文提出了针对这两种失真的数据增强方法，以在训练过程中增强模型对不同失真类型的鲁棒性。通过 LPD 的增强训练，LiDAR 分割模型在点云部分丢失的情况下，仍能准确预测。]]></description><category></category></item><item><title><![CDATA[《CVPR2021 | LISA》]]></title><link>https://blog.youkuaiyun.com/Deathflower/article/details/143328945</link><guid>https://blog.youkuaiyun.com/Deathflower/article/details/143328945</guid><author>Deathflower</author><pubDate>Tue, 29 Oct 2024 15:49:54 +0800</pubDate><description><![CDATA[这篇论文讨论了激光雷达（Lidar）在自主导航系统（如自动驾驶汽车）中的重要性，尤其是在3D感知流程中的应用。论文指出，Lidar物体检测器在恶劣天气条件（如雨、雪和雾）下的表现较差，因为信噪比（SNR）和信号与背景比（SBR）会受到影响。由于在各种恶劣天气下收集和标记训练数据的成本高昂且耗时，传统的训练方法往往无法解决这一问题。为了解决这一问题，论文提出了一种基于物理的模拟方法，用于在恶劣天气条件下生成Lidar点云数据。]]></description><category></category></item><item><title><![CDATA[《ECCV 2024 | CMD》阅读笔记]]></title><link>https://blog.youkuaiyun.com/Deathflower/article/details/142970457</link><guid>https://blog.youkuaiyun.com/Deathflower/article/details/142970457</guid><author>Deathflower</author><pubDate>Fri, 25 Oct 2024 10:24:16 +0800</pubDate><description><![CDATA[提出了一个专门为跨机制域适应设计的数据集，将机械激光雷达与高分辨率和低分辨率光束、固态激光雷达和 4D 毫米波雷达相结合。简单概括提出了一个跨域的数据集，以及给出了几种跨域的策略，比较简单，看下文。]]></description><category></category></item><item><title><![CDATA[《AAAI 2024 | CMDA》阅读笔记]]></title><link>https://blog.youkuaiyun.com/Deathflower/article/details/142958176</link><guid>https://blog.youkuaiyun.com/Deathflower/article/details/142958176</guid><author>Deathflower</author><pubDate>Fri, 25 Oct 2024 10:23:33 +0800</pubDate><description><![CDATA[描述了一个**跨模态知识交互（CMKI）**的框架，该框架主要用于在相机图像和LiDAR点云数据之间进行特征交互，以提高3D目标检测（3D Object Detection，简称3DOD）任务的性能，尤其是在跨域适应任务中。AAAI 2024这段描述了一个用于3D目标检测（3D Object Detection，简称3DOD）领域的跨域学习框架，特别是涉及到如何在有标签的源域和无标签的目标域之间迁移模型。为了帮助你更好地理解，我们可以分步骤解释整个流程并举例说明。]]></description><category></category></item><item><title><![CDATA[《CVPR2023 | DTS》阅读笔记]]></title><link>https://blog.youkuaiyun.com/Deathflower/article/details/142983483</link><guid>https://blog.youkuaiyun.com/Deathflower/article/details/142983483</guid><author>Deathflower</author><pubDate>Fri, 25 Oct 2024 10:21:45 +0800</pubDate><description><![CDATA[这段内容是对一篇3D目标检测论文的介绍，尤其是在自主驾驶场景中，LiDAR点云检测的领域自适应问题。该论文提出了一个密度不敏感的领域自适应框架，目的是解决源域和目标域之间的不同激光束密度所引起的域差异问题。作者提出了一种密度不敏感的领域自适应框架，旨在解决LiDAR传感器之间因不同激光束密度导致的特性差异。：首先，论文引入了“随机束重采样”技术（RBRS），该方法通过在源域上随机改变激光束的密度，使训练的检测器对不同的束密度具有鲁棒性。教师-学生框架。]]></description><category></category></item><item><title><![CDATA[《CVPR 2024 | SAFDNet》阅读笔记]]></title><link>https://blog.youkuaiyun.com/Deathflower/article/details/142880505</link><guid>https://blog.youkuaiyun.com/Deathflower/article/details/142880505</guid><author>Deathflower</author><pubDate>Mon, 14 Oct 2024 11:42:57 +0800</pubDate><description><![CDATA[本文提出了SAFDNet，一种为完全稀疏三维目标检测量身定做的简单而高效的架构。在SAFDNet中，设计了一种自适应特征扩散策略(adaptive feature diffusion strategy)来解决中心特征缺失问题。通过密集卷积对3D体素进行处理，但计算成本极高，尤其是在稀疏点云的情况下。通过结合稀疏卷积和密集卷积，既提高了计算效率，又保证了较高的检测精度，是目前最常用的方法之一，SECOND和是其中的代表。则完全依赖于稀疏特征处理，进一步优化了计算效率，但在精度上还有待提升。总体来看，]]></description><category></category></item><item><title><![CDATA[《CVPR 2024 | Voxel Mamba》]]></title><link>https://blog.youkuaiyun.com/Deathflower/article/details/142379781</link><guid>https://blog.youkuaiyun.com/Deathflower/article/details/142379781</guid><author>Deathflower</author><pubDate>Mon, 14 Oct 2024 11:42:10 +0800</pubDate><description><![CDATA[Mamba是什么？和RNN和transformer相比优势在哪里？CVPR2024在论文的介绍部分，作者首先阐述了基于LiDAR的3D目标检测在自动驾驶、虚拟现实和机器人领域中的重要应用。由于点云数据稀疏、分布不均且不规则，如何高效、有效地进行3D目标检测成为一项重大挑战。SpCNN在特征提取方面具有更高的效率和精度，能够更好地处理稀疏的点云数据。然而，稀疏卷积在部署和优化方面并不友好，需要大量的工程工作，因此存在较大瓶颈。]]></description><category></category></item></channel></rss>