首个开源室外点云分割工具箱，提供多篇论文算法的强基线复现模型！（已开源）

原创 已于 2023-03-16 16:39:45 修改 · 1.1k 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动驾驶 #点云全景分割 #开源框架

于 2023-03-16 16:37:16 首次发布
PCSeg是一个由上海人工智能实验室发布的点云分割开源框架，专注于室外点云处理，支持多种SOTA算法在WaymoOpenDataset和SemanticKITTI等数据集上的高精度复现。该框架实现了更快的训练和更高的分割精度，包括MinkowskiNet、Cylinder3D、SPVCNN、RPVNet等模型。PCSeg采用PyTorch实现，具有模块化设计，便于理解和使用，未来还将扩展对更多数据集和全景分割任务的支持。

PCSeg高性能点云分割开源框架强力来袭！支持多个公开数据集上多种SOTA算法高精度复现，训练时间更短、分割精度更高，开箱即用。室外点云全景分割研究必备，目前已开源，欢迎star

一、PCSeg高性能点云分割开源框架

点云语义分割任务旨在将点云中的每个点分配类别甚至实例标签。然而，作为自动驾驶3D感知的关键任务之一，现有开源工具箱大多仅围绕室内场景进行，缺乏对室外场景的支持。于是，上海人工智能实验室智能交通平台组（ADLab）发布PCSeg高性能点云分割开源框架，在Waymo Open Dataset和SemanticKITTI等公开数据集上支持了多种SOTA算法，并提供了强基线复现模型。

最低0.47元/天 解锁文章
FlashRAG：可能是最全的、最快搭建RAG的开源框架
南七小僧的学海无涯
12-05 664
尽管已有多种创新算法和模型被提出以提升 RAG 系统的性能，但由于缺乏统一的标准化框架，加之 RAG 过程的复杂性，研究人员在一致环境中比较和评估这些方法面临挑战。为了应对这一挑战，本篇论文作者推出了FlashRAG，这是一个开源库，旨在帮助研究者轻松复现现有的RAG方法，并开发他们自己的RAG算法。该库允许研究者利用构建好的管道复现现有工作，使用提供的RAG组件构建自己的流程，或利用组织好的数据集和语料库加速他们的RAG工作流程。在流程层面，根据RAG发展的现状，实现了8种常见的RAG流程。
大模型——最全梳理 一文搞懂RAG技术的5种范式！
03-26 820
高级 RAG 引入了具体的改进措施，以克服 Naive RAG 的局限性。为了提高检索质量，它采用了检索前和检索后策略。为了解决索引问题，高级 RAG 通过使用滑动窗口方法、细粒度分割和元数据的整合，改进了索引技术。此外，它还采用了多种优化方法来简化检索过程。模块化 RAG 架构超越了前两种 RAG 范式，具有更强的适应性和多功能性。它采用了多种策略来改进其组件，例如为相似性搜索添加搜索模块，以及通过微调完善检索器。为应对特定挑战，还引入了重组 RAG 模块和重排 RAG 管道等创新方法。
ECCV2020语义分割——Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution
Dujing2019的博客
10-22 3334
Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution（一）动机 Motivation（二）创新 Innovation（三）SPVConv: Designing Effective 3D Modules3.1 Point-Voxel Convolution: Coarse Voxelization3.2 Sparse Convolution: Aggressive Downsampling3.3 Solution: S
稀疏张量网络
吴建明wujianming_110117
01-03 997
稀疏张量网络 稀疏张量 在传统语音，文本或图像数据中，特征是密集提取的。因此，用于这些数据的最常见表示形式是矢量，矩阵和张量。但是，对于3维扫描或什至更高维的空间，这样的密集表示效率不高，因为有效信息仅占空间的一小部分。取而代之，只能将信息保存在空间的非空区域上，这与将信息保存在稀疏矩阵上的方式类似。此表示是稀疏矩阵的N维扩展；因此，被称为稀疏张量。 在Minkowski Engine中，采用稀疏张量作为基本数据表示形式，并且类提供为 MinkowskiEngine.SparseTensor。 稀疏张量网络
OpenDataLab/MinerU模型仓库：集中式模型管理平台
最新发布
gitblog_01145的博客
08-30 364
在传统PDF文档解析项目中，开发者往往面临这样的困境：多个AI模型分散在不同平台，下载配置繁琐；模型版本更新需要手动操作；离线部署时模型文件管理混乱。这些痛点严重影响了开发效率和系统稳定性。 MinerU通过创新的集中式模型仓库架构，彻底解决了这些问题。读完本文，您将掌握： - ✅ MinerU模型仓库的核心架构设计 - ✅ 多源模型自动下载与管理机制 - ✅ 本地模型部署的最佳实践方案 ...
点云中的Minkowski卷积
zhulf0804的博客
11-21 7577
一、MinkowskiEngine简介 第一次见到MinkowskiEngine，应该是在两个月之前了，当时也没有去留意这个库。最近读了一些点云的论文，发现还是有不少论文的源码是基于MinkowskiEngine的，包括PointContrast(ECCV 2020)，DGR(Deep Global Registration, CVPR 2020)，Learning Multiview 3D Point Cloud Registration(CVPR 2020)和FCGF(Fully Convolution
点云 3D 分割 - SqueezeSeg（ICRA 2018）
77wpa的博客
12-30 1947
在本文中，我们讨论了3D激光雷达点云中道路对象的语义分割。特别是，我们希望检测和分类感兴趣的实例，例如汽车、行人和骑自行车的人。我们将此问题表述为逐点分类问题，并提出了一种基于卷积神经网络（CNN）的端到端流水线SquezeSeg：CNN将转换后的LiDAR点云作为输入，并直接输出逐点标签图，然后通过实现为递归层的条件随机场（CRF）对其进行细化。然后通过常规聚类算法获得实例级标签。我们的CNN模型是在KITTI[1]数据集的LiDAR点云上训练的，我们的逐点分割标签来自KITTI的3D边界框。
给我推荐20个比较流行的点云 3D 分割模型源码
weixin_42588672的博客
01-03 355
下面是一些流行的点云 3D 分割模型的源码： PointNet：基于深度学习的点云分割模型，使用卷积神经网络处理点云数据。 PointNet++：点云分割模型的增强版，使用了多层网络和多尺度特征。 VoxelNet：使用立体感知模块和分层卷积网络的点云分割模型，可以有效处理视角变化带来的深度差异。 SQ-Net：基于卷积神经网络和自适应池化的点云分割模型，可以有效地处理大规模的点云数据。 ...
6大开源生成式 AI 安全测试工具横评：能力对比 × 实战复现 × 场景选型路线图
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
04-08 1681
生成式 AI 在快速落地，但“安全风险”正悄悄成为部署拦路虎：你知道模型是否会越权？是否会编造？是否会被 prompt 注入控制？本篇系统对比 6 大主流开源 LLM 安全评估工具（含 Evals、AdvBench、Gauntlet、LLM Guard 等），从部署方式、中文支持、攻击样本、评分机制等多个维度进行横评，附实战复现步骤与场景选型建议，帮助开发者与企业构建“能上线、可监控、可治理”的模型安全基线。
非接触式生理测量MATLAB工具箱开源发布
- 该资源提供的是一套基于Matlab的算法工具箱，专门用于处理和分析非接触式生理信号测量中的数据。这一工具箱能够帮助研究人员从视频数据中恢复出人的生命信号，具体包括成像PPG（iPPG）和影像心动描记法（iBCG）...
首个开源室外点云分割工具箱，多篇算法均已复现！（已开源）
CV_Autobot的博客
03-18 1963
作者|ADLab 编辑|OpenDataLab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【语义分割】技术交流群后台回复【分割综述】获取语义分割、实例分割、全景分割、弱监督分割等超全学习资料！PCSeg高性能点云分割开源框架点云语义分割任务旨在将点云中的每个点分配类别甚至实例标签。然而，作为自动驾驶3D感知的关键任务之一，现有开源工具箱大多仅围...
MATLAB点云处理（十二）：欧式聚类分割（pcsegdist）
孙悟空
07-25 5447
本文介绍了MATLAB中点云欧式聚类分割方法。
【今日CV 计算机视觉论文速览 第102期】Fri, 19 Apr 2019
TomRen
04-19 5104
视觉论文速览 第102期 基于深度学习resize 单张图像恢复人体三维 目标检测 PSF学习建模 运动受伤预测、 细胞计数 风格强度等
多模态融合 - BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird‘s-Eye View Repre ... (ICRA 2023)
77wpa的博客
06-19 3069
多传感器融合对于准确可靠的自动驾驶系统至关重要。最近的方法是基于点级融合：用相机特征增强激光雷达点云。然而，相机到激光雷达的投影丢弃了相机特征的语义密度，阻碍了这种方法的有效性，尤其是对于面向语义的任务（如3D场景分割）。在本文中，我们用BEVFusion打破了这一根深蒂固的惯例，BEVFusions是一种高效通用的多任务多传感器融合框架。它在共享鸟瞰图（BEV）表示空间中统一了多模态特征，很好地保留了几何和语义信息。
基于PackNet的演进——丰田研究院（TRI）深度估计文章盘点（下）
苹果姐计算机视觉原创知识分享
04-13 1387
本文承接上篇： 基于PackNet的演进——丰田研究院（Toyota Research Institute）深度估计文章盘点（上）https://blog.youkuaiyun.com/weixin_43148897/article/details/124160485?spm=1001.2014.3001.5502 五、建立多模态网络：Packnet-SAN(2021) [10] Sparse Auxiliary Networks for Unified Monocular Depth Prediction an
CVPR2019论文列表（中英对照）
热门推荐
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
深度学习算法中的 时空卷积网络（Spatio-Temporal Convolutional Networks）
牛肉胡辣汤
09-21 7356
在网络的前向传播过程中，时空卷积核在整个视频序列上进行滑动，从而提取出时序和空间上的特征。然而，对于一些涉及到时序和空间信息的任务，如视频分析、动作识别和人体姿态估计等，传统的CNNs存在一定的局限性。我们相信，在不久的将来，时空卷积网络将在更多领域展现出强大的能力，并为我们带来更多的惊喜和突破。尽管时空卷积网络在时序和空间信息处理方面取得了显著的成果，但仍存在一些挑战和改进的空间。这是一个简单的示例代码，实现了一个时空卷积网络模型，并在MNIST数据集上进行了训练和评估。
开源项目介绍｜计图（Jittor） - 基于元算子和统一计算图的高性能深度学习框架...
腾讯开源
06-23 1000
2022腾讯犀牛鸟开源人才培养计划开源项目介绍滑至文末报名参与开源人才培养计划提交计图（Jittor）项目Proposal计图（Jittor）项目介绍计图（Jittor）：一个完全基于动态编译（Just-in-time），内部使用创新的元算子和统一计算图的深度学习框架。元算子可以复合出神经网络计算所需算子，和Numpy一样易于使用，并且超越Numpy能够实现更复杂更高效...
DL-FWI学习之数据（SEG盐数据与OpenFWI数据为例）
m0_53096519的博客
10-14 1360
DL-FWI学习之数据（SEG盐数据与OpenFWI数据为例），包括数据的读取、数据的存储与数据的展示。
评论
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