识别可达厘米级别,新算法冲上 Semantic KITTI 评测榜首

SemanticKITTI数据集:用于激光雷达序列语义场景理解的数据集 SemanticKITTI数据集:用于激光雷达序列语义场景理解的数据集 引言 在论文文中,作者引入了一个大数据集用于激光的语义分割的研究。标注了KITTI视觉里程计基准的所有数据,并为所使用的汽车激光雷达的完整360度视野提供了密集的逐点注释,基于该数据集,有三个三个基准任务: (i)使用单个扫描对点云进行语义分割, (ii)使用多个过去扫描进行语义分割 (iii)语义场景预测 同时,作者也提供了baseline 介绍introduce 语义场景理解对于许多应用程序来说是必不可少的,也是自动驾驶汽车不可或缺 阅读详情

By 超神经

内容概要:近日,在自动驾驶的权威评测 Semantic KITTI  上,一种新算法, 在「单帧 3D 点云语义分割」排行榜上,成功登上了评测榜的榜首。它可用在无人物流车上,帮助无人车更好地理解周围环境,更精确地识别障碍物。

关键词:自动驾驶  算法评测  语义分割

所有算法模型的好坏,都需要一个评测标准来判定,自动驾驶领域也不例外。

Semantic KITTI 评测,算得上是自动驾驶里最权威的一个标准,而近日排在榜首的一种新算法,成功地让自动驾驶的障碍物识别能力,达到了厘米级别。

 权威评测榜单,涵盖最先进技术

KITTI 数据集是当前最权威,最大的自动驾驶算法评测数据集。

该数据集常用于评测立体图像,光流,视觉测距,3D 物体检测和 3D 跟踪等技术的性能。

由它细分而来的 Semantic KITTI 数据集,是为了推动基于激光的语义分割研究而得来,也是模型在语义分割方向的一个检验基石。

Semantic KITTI 数据集官网

Semantic KITTI 标准评测,需要经过多个步骤的测量和验证,把各种场景下的汽车、行人、道路、摩托车、自行车、交通标志、建筑物和植被等多类物体准确分割出来。

算法需要通过全类别分割平均交并比(mIOU)和整体准确率(accuracy)两大指标,来验证自己的能力水平。

在两项指标的评比中均拿下第一,荣获「单帧 3D 点云语义分割」排行榜榜首的算法,是由阿里达摩院提交的。

评测排行榜的名单

 提升环境理解力,达到厘米级识别

排在榜首的算法,以激光点为载体,结合每个 3D 点在鸟瞰、前视等视角下的邻域特征,通过多层级联编码进行特征学习,增强了 3D 点的特征表示能力,提高了语义识别的准确性。

其中点云是计算机视觉领域常用的三维数据表示方式,它包含物体的丰富信息,比如三维坐标、颜色、分类值、强度值、时间等等。

而 3D 点云语义分割,是自动驾驶中常用的一项技术,是指从周围的环境中,识别并分析出不同的物体。

该项技术已经被用在了无人物流车中,它可让车辆更精细地理解道路环境,帮助识别行人,车辆,周围的建筑、绿化、障碍物等。

模拟车辆行驶中对环境的理解

在实际测试中,它的识别精度达到了厘米级别,对仅有 3 厘米宽的警戒线,物流车也能准确识别并绕道而行。

 自动驾驶成大厂新赛道

在自动驾驶的研究层面,各大巨头公司纷纷展开自己的布局,加入了更大的资金和技术投入。

前不久,阿里还发布了全球首个自动驾驶混合式仿真测试平台。

该平台推出了将虚拟与现实结合的仿真技术,引进真实路测场景和云端训练,模拟一次极端场景仅需 30 秒,每天虚拟测试里程可超过 800 万公里。

这些举动也预示着,自动驾驶行业在更多技术的加持下,或将更快地迈进我们的生活。

—— 完 ——

扫描二维码,加入讨论群

获得更多优质数据集

了解人工智能落地应用

关注顶会&论文

回复「读者」了解更多

更多精彩内容(点击图片阅读)

端到端智能驾驶评测方法概要 端到端智能驾驶模型的评测需结合多模态测试环境量化与主观评估结合动态迭代的体系,同时关注技术可行性与伦理合规性。未来趋势是构建开放、标准化的评测平台(类似MLPerf),推动行业协作与技术进步。 阅读详情

相关推荐

基于场景的自动驾驶评估方法

过去十年,工业界和学术界对自动驾驶功能的开发力度不够。由于操作空间大,各种复杂的场景和自动驾驶功能都需要应对,预计评估工作将大幅增加。为了有效量化这些功能的收益和风险,本文描述了一种使用真实世界驾驶数据评估自动驾驶的整体方法。

yessunday的专栏 1876

SemanticKitti数据集的使用

简单介绍 SemanticKitti数据集是在Kitti数据集上进行语义分割等操作的结果,主要任务包括点云的语义预测等。 Kitti的点云里程计数据集一共有00-21这22个序列,每个序列都是一段录制的点云包。 SemanticKitti为所有点云包提供了里程计等信息,为00-10这些点云包提供了真值的标签,可以用来训练。 数据集下载 所有数据集直接可以在semantickitti数据集官网下载。 依次点击Dataset->Download即可看到下载链接。 三个连接均需要下载(占得空间很大,建议放在

weixin_43807148的博客 1万+

点云公开数据集:SemanticKITTI

一、基本信息 二、数据分析 三、数据处理

zhaoguanhua的博客 3617

Ubuntu20.04复现基于SemanticKITTI的RandLA-Net并使点云连续可视化

在 main_SemanticKITTI.py 中修改 self.dataset_path ,与前文准备数据集过程中data_prepare_semantickitti.py 的 output_path 相对应。创建 randla-net-tf2/data 文件夹,将SemanticKITTI数据集放入,修改 randla-net-tf2/utils/data_prepare_semantickitti.py 中关于。修改 randla-net-tf2/helper_tool.py 文件。

chenxiqiming的博客 1821

Cylinder3D:SemanticKITTI语义分段(单扫描和多扫描)排行榜中排名第一(2020年11月)(CVPR2021 Oral)

圆柱和非对称3D卷积网络用于LiDAR分割 我们的工作“用于LiDAR分割的圆柱和非对称3D卷积网络”的源代码 消息 2021-03 [NEW :fire: ] Cylinder3D被接受为CVPR 2021的口头报告 2021-01 [NEW :fire: ] Cylinder3D在SemanticKITTI多扫描语义分割的排行榜中排名第一 2020-12 [NEW :fire: ] Cylinder3D实现了激光雷达nuScenes分割的挑战的第2位,用米欧= 0.779,fwIoU = 0.899和FPS = 10Hz的。 2020-12我们发布了具有nuScenes数据集支持的Cylinder3D新版本。 2020-11我们初步发布了Cylinder3D--v0.1,支持在SemanticKITTI和nuScenes上进行LiDAR语义分割。 2020-11我们的工作实现了SemanticKITT

DS-Net:(CVPR 2021)在SemanticKITTI Panoptic Segmentation的公开排行榜中排名第一(2020-11-16)

通过动态移位网络的基于LiDAR的全景分割 概述 该存储库包含作者的工作“”的实现。 有关更多信息,请联系 。 消息 2021-03 [NEW :partying_face: ] DS-Net被CVPR 2021接受! 2020-12-01代码发布! 2020-11-16我们在。 要求 易言 麻巴 麻木 pyyaml python = 3.7 scikit学习 科学的 = 1.1 张量板= 2.3.0 火炬= 1.5 火炬视觉= 0.6.0 = 1.5.7 = 1.3.2 tqdm 资料准备 请将SemanticKITTI数据集下载到文件夹data ,该文件夹的结构应如下所示: ./ ├── ├── ... └── data/ ├──sequences ├── 00/ │ ├── velodyne/ |

SemanticKITTI 数据集(ICCV 2019)

SemanticKITTI 数据集1. 数据集简介 1. 数据集简介 文章标题 SemanticKITTI: A Dataset for Semantic Scene Understanding of LiDAR Sequences (2019) 文章链接 https://arxiv.org/pdf/1904.01416.pdf 数据集官网 http://www.semantic-kitti.org/dataset.html#overview 数据集开发工具包 http://www.sema

77wpa的博客 2万+

semantic-kitti-api:用于可视化数据集、处理数据和评估结果的 SemanticKITTI API

语义KITTI的API 此存储库包含帮助程序脚本,用于打开、可视化、处理和评估来自 SemanticKITTI 数据集的点云和标签的结果。 链接到原始数据集 链接到。 链接到 SemanticKITTI 基准。 链接到 SemanticKITTI MOS 基准(在 SemanticKITTI 网站添加 MOS 后可能会删除)。 序列 13 中的 3D 点云示例: 序列 13 中的 2D 球面投影示例: 用于语义场景完成的体素化点云示例: 数据组织 数据按以下格式组织: /kitti/dataset/ └── sequences/ ├── 00/ │   ├── poses.txt │ ├── image_2/ │

深度学习(12):SemanticKITTI论文翻译与学习

SemanticKITTI论文是发表在CVPR 2019上的一篇在KITTI Vision Odometry Benchmark数据集上制作语义分割数据集SemanticKITTI的文章,为基于车载激光雷达语义分割提供了大量的数据;作者单位是德国波恩大学;这里是文章的翻译和部分学习笔记

biter0088的博客 1万+

EPLAN中3D宏文件的创建与优化技巧(以开关电源为例)

本文以开关电源为例,详细讲解了在EPLAN中创建和优化3D宏文件(.ema)的全流程。从搭建宏项目、导入模型,到精确定义安装面、调整视野方向,再到定义3D连接点并关联部件库,旨在帮助电气工程师在设计阶段实现精准布局、避免安装冲突,从而提升设计效率与质量。

weixin_29219539的博客 549

雷电模拟器9.0最新过检测实战:从修改Build.prop到Xposed模块配置全流程

本文提供了一套针对雷电模拟器9.0的深度伪装实战方案,旨在绕过应用检测。内容涵盖从理解检测机制、获取Root权限、修改Build.prop等静态伪装,到利用Xposed/LSPosed框架进行运行时Hook的动态伪装全流程,帮助用户构建无痕的“真机”环境以稳定运行应用。

z4a5b6的博客 873

Ubuntu18.04复现RandLA-Net(SemanticKITTI数据集)----2.代码复现

本文是复现RandLANet

m0_62648611的博客 4176

STM32 HAL库 实现基于SPI模式的SD卡、TF卡FATS文件系统+模拟U盘的应用笔记

很多单片机不带SDIO接口,所以在使用SD卡时必须使用SPI模式进行读写。 想做一个基于SPI的SD卡文件系统读写SD卡上的文件,再配合USB接口做一个模拟U盘。只能利用业余时间慢慢更新,也不知道能不能坚持下去。 我会把从零开始开发一个程序需要经历的过程一一的记录下来。做成一个奶妈级的单片机开发笔记。 一、硬件简介 1.SD卡和MicroSD卡(TF卡)的区别 由下图可以很容易的看出TF卡只是比SD卡少了一个3脚Vss脚,其它的管脚顺序

KyleKuang的博客 8337

Semantic-Kitti数据解析

关于Semantic-kitti数据集修改

Guycynnnnn的博客 2912

联想服务器ThinkSystemRAID阵列设置教程

关注我不迷路,全是干货! 以联想ThinkSystemSR530为例子进行示范。 开机点按【F1】 点击——【UEFI设置】 依次点击——【系统设置】——【存储】 点击——【RAID卡】 PS:本次服务器配置的是730-8i 阵列卡,按实际情况选中需要设置的阵列卡即可。 点击——【Main Menu】 点击——【Configuration Management】 点击——【Create Virtual Drive】 点击——【Select RAID Leve..

littlelotusK的博客 2万+

跨平台商品模型大解析:亚马逊 vs 阿里 vs 拼多多

本文深入探讨了亚马逊、阿里巴巴和拼多多三大电商平台的商品模型设计,分析了它们在变体关系、商品抽象层级和SKU定义等方面的异同。亚马逊模型以物流和变体为中心,强调全球仓配体系下的标准化管理;阿里模型采用多视角的弹性结构,适用于多类目、多品牌、多卖家环境;拼多多模型则结合平台标准化与商家个性化,适合短期促销和快速上新场景。文章还提供了实践建议,帮助自研电商平台或商品中台的开发者选择合适的商品结构,并强调了商品模型在电商系统中的核心作用。通过对比分析,本文旨在为读者提供商品建模的启发和参考。

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 13万+

还不知道?近20+自动驾驶数据集、榜单和Benchmark汇总

作者| 自动驾驶之心点击下方卡片,关注“自动驾驶之心”公众号ADAS巨卷干货,即可获取点击进入→自动驾驶之心技术交流群最近很多小伙伴问到自动驾驶数据集和比赛相关的事宜,也想好好参考下别人的方案和技术栈,今天为大家盘点下常用的几个榜单!1.Nuscenes数据集链接:nuScenesnuscenes数据集下有多个任务,涉及Detection(2D/3D)、Tracking、prediction、激...

CV_Autobot的博客 3660

SAP特殊库存全解析:供应商寄售、客户寄售、分包与项目库存说明

客户寄售库存(Customer Consignment)是企业将物料存放于客户处,客户实际领用后才确认销售收入。这种模式能缩短交货周期、提高客户满意度,但需严格跟踪寄售库存的数量与状态。

我小时候很黑的博客 823

SemanticKITTI点云标注工具

0. 简介 对于点云的深度学习分割而言,其中主要组成部分为两块,一个是点云bin文件,一个是特征的label文件,而point_labeler这个点云标注工具就能很好的让我们去标注自身想要的数据集。下面我们将来详细的介绍point_labeler这个工具的使用方法。 1. 环境安装 环境依赖: catkin Eigen >= 3.2 boost >= 1.54 QT >= 5.2 OpenGL Core Profile >= 4.0 glow (catkin package) 这

lovely_yoshino的博客 8810

【推荐100个unity插件】皮毛shader着色器 实现可以用动的毛茸茸毛绒绒效果

Unity内置渲染管线毛发着色器实现 摘要:本文介绍了Unity内置渲染管线下的毛发着色器实现方案。该方案通过多层渲染技术模拟毛发效果,支持基础光照模型(环境光、漫反射和镜面反射),提供毛发长度调节功能。主要包含10个渲染通道,采用逐步增加的FURSTEP参数(0.05-0.55)分层渲染毛发,每层使用相同的着色器代码但不同参数值。该实现仅适用于内置渲染管线,不支持毛发动态效果,代码结构简洁,通过FurHelper.cginc包含核心着色逻辑。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 2680

7.6 GPU页表更新机制

本文分析了AMDGPU驱动中BO到VA映射的页表更新实现机制。核心流程通过amdgpu_vm_bo_update()函数触发,支持CPU直接写入和SDMA异步命令两种更新模式。系统根据VRAM可见性自动选择最优更新策略,处理三种主要场景:命令提交、BO迁移和BO销毁。关键实现包括DMA地址数组处理、权限标志合并和BO迁移状态转换,最终通过amdgpu_vm_update_range()完成硬件页表更新。该机制有效平衡了更新延迟与吞吐量,为GPU虚拟内存管理提供基础支撑。

图形/计算GPU的驱动与虚拟化技术分享园地 2475

如何对智能驾驶的规控算法进行测评?

之前用户问了关于端到端模型的评测方法,我详细分成了几个维度,包括安全性、泛化性、鲁棒性等,还提到了仿真测试、真实道路测试等方法。规划和控制通常分为路径规划和运动控制两部分,规划负责生成从起点到终点的路径,考虑静态和动态障碍物,而控制则负责跟踪这个路径,处理车辆的加速、制动和转向。然后,我需要参考行业内的实践,比如Waymo、Tesla他们是怎么做的,有没有公开的测评方法或标准。伦理和法规方面,需要确保测试符合当地的交通法规,以及伦理标准,比如在不可避免的碰撞情况下如何做出决策,这也是测评的一部分。

vincent_321的博客 1895

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

如何用点云对车辆和行人进行识别分类?这是MIT学生的总结

本文来自AI新媒体量子位(QbitAI) 本文作者是MIT的大二学生Michael Gump(阿甘),内容为他在无人车公司Voyage的工作总结。本文还得到Voyage首席执行官Oliver Cameron的推荐。 作为一名计算机专业的学生,我一直对机器学习特别是强化学习很感兴趣,特别喜欢琢磨OpenAI的相关研究。去年冬天,我还参加了一门无人车的...

weixin_33971205的博客 1302

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

SemanticKITTI:Development Kit的学习记录-可视化源码阅读

semanticKitti可视化源码阅读

CCChester的博客 1220

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

超详细记录windows+Ubuntu跑通RandLaNet实验踩坑记录(数据集:Semantic_Kitti+Semantic 3D)

本篇文章记录了整个复现过程遇到的报错等问题,如果大家也遇到报错了不妨从文章中找一找,也许就能找到对应的解决办法。需要准备好semantic_kitti完整的数据集,将数据集中每个场景按下图进行布置。可以直接利用官网下载下来的数据集中data_odometry_labels这个文件夹,直接将其中的数据复制成一个新的文件夹即可。阅读,data_prepare_semantickitti.py脚本,更改对应的数据集路径、输出数据集路径运行,win系统一般会报错:原因是在utils/cpp_wrappers/cpp

weixin_72056722的博客 4727
上一篇: 机器人全面替换工人?别急,人机搭配才能干活不累
下一篇: 波士顿动力机器狗进公园当保安,驱散聚集人群
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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