点云分割预研(可行方案)

原创 已于 2024-01-11 11:20:27 修改 · 412 阅读 · 1 ·
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：

#深度学习 #人工智能 #pytorch

于 2023-03-21 20:33:38 首次发布
部署运行你感兴趣的模型镜像

文章目录

激光雷达点云分割

1 概述

主要是对上一篇点云分割预研的补充。
上一篇文章主要是了解点云分割的整体生态，这篇文章主要记录模型选型，模型调试，模型测试，模型部署相关内容。

2 模型选型要求及依据

2.1 要求

达到以下要求：

  1. 源码/易复现
  2. 开源模型
  3. 调试不易太难 (可较快在本地rosbag测试)
  4. 部署不易太难 (xavier、orin)
  5. 具有足够鲁棒性 (通过本地rosbag测试集效果测试or32线鲁棒性)
  6. 帧率 (尽量满足10HZ以上)

达到以下部分要求：

  1. 代码持续维护
  2. 算子高支持性
  3. 部署流程完善
  4. runtime稳定，占用低

2.2 结论

在这里插入图片描述

3 模型分析

3.1 RangeNet++ darknet53

在这里插入图片描述

3.2 RangeNet++ SqueezeSegV2

在这里插入图片描述

3.3 CENet

在这里插入图片描述

3.4 MINet

在这里插入图片描述

3.5 PolarSeg

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

相关模型链接

LMSCNet:
code and paper: LMSCNet code

EfficientLPS:
code and paper: EfficientLPS code

SqueezeSeg:
code and paper: SqueezeSeg code
中文专栏: SqueezeSeg read

RangLANet:
中文专栏: RangLANet read
code and paper:
RangLANet tensorflow code
RangLANet pytorch code

LeNet: (无源码)
中文专栏: LeNet read

AOP-Net : (无源码)
中文专栏: AOP-Net read

GFNet:
code and paper: GFNet code

Panoptic-PolarNet:
code and paper: Panoptic-PolarNet code

CENet:
code and paper: CENet code

VoxFormer:
code and paper: VoxFormer code

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

highoooo
关注
SOTA模型训练笔记（完善中）
yunqiushuiman的博客
07-05 1931
代码：https://github.com/AbangLZU/PolarSeg.git https://github.com/edwardzhou130/PolarSeg 安装环境：数据集准备：SemKITTI, 存放顺序如下 在semantic-kitti.yaml中修改dataset的路径，开始训练， 在服务器上选择的batch_size是4,可以用满1块显卡。 训练的模型保存路径等也可以修改。 训练第一次： 训练第10次： 推理： (2) Cylinder3D 代码：https://github.
PolarSeg源码解析
weixin_43918682的博客
10-20 448
模型打印理解 my_model： ptBEVnet( (PPmodel): Sequential( (0): BatchNorm1d(9, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) (1): Linear(in_features=9, out_features=64, bias=True) (2): BatchNorm1d(64, eps=1e-05, momentum=0.1, affine=True, track_ru
激光雷达点云语义分割学习笔记之PolarNet
baller_Tionary的博客
12-17 526
激光雷达点云语义分割PolarNet模型学习
PolarSeg:PolarNet的实施
05-17
PolarNet：用于在线LiDAR点云语义分割的改进的网格表示 Liman扫描可视化SemanticKITTI数据集（左）和PolarNet的预测结果（右）。 在线LiDAR扫描分割神经网络PolarNet （CVPR 2020）的官方PyTorch实施。 PolarNet: An Improved Grid Representation for Online LiDAR Point Clouds Semantic Segmentation Yang Zhang*; Zixiang Zhou*; Philip David; Xiangyu Yue; Zerong Xi; Boqing Gong; Hassan Foroosh Conference on Computer Vision and Pattern Recognition, 2020 *Equal contribution
超详细的激光点云地面分割（可行驶区域提取）方案
zhaoliang的博客
11-08 2万+
超详细的激光点云地面分割（可行驶区域提取）方案
工程 (七) ——PolarSeg点云语义分割
HUASHUDEYANJING的博客
08-08 1596
点云有越远越稀疏的特性，相对于传统的BEV视角，点云分割更加的均匀。
地面点云分离实战揭秘：基于RANSAC的地形建模与高效滤波技术
![点云滤波]...在三维点云处理中，地面点云分离是构建数字高程模型（DEM）和环境感知系统的关键前置步骤。其核心目标是从原始点云中准确提取地形表
51c自动驾驶~合集45
whaosoft~aiotの开发板商城
01-06 1865
发行价为19美元，募资额达1.9亿美元。答:对于系统现在的状态进行观测，并预测下一个状态可能的值，把这个预测当做一个传感器来用，进行加权平均，例如测量位置:“目前gps传感器测到位置在正东方向5米处，速度为正东方向1米/秒，那么，下一秒预测的值是正东方向6米处，在下一秒的测量数据中，会综合考虑预测值和实际测量值。对于奇异值,它跟我们特征分解中的特征值类似，在奇异值矩阵中也是按照从大到小排列，而且奇异值的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。
博士课程大纲：机器人科学与工程学科进展（16 学时）
最新发布
weixin_45131592的博客
09-15 992
通过课程学习，学生需掌握 ICRA/IROS/NeurIPS 等顶会的前沿成果，能独立分析技术痛点与解决方案，并将前沿方法与自身科研课题（如工业机器人、医疗机器人、仿生机器人等）结合，形成具有创新性的研究思路，为后续论文发表或课题推进奠定基础。建议建立 “顶会笔记模板”，记录 “问题 - 方法 - 创新点 - 不足 - 改进思路”，课堂研讨时能快速输出有深度的观点，提升互动参与分。教师的针对性指导能帮助避开 “偏离课题”“技术不切实际” 的坑，确保成果既符合课程要求，又能直接服务后续科研。
51c自动驾驶~合集32
whaosoft~aiotの开发板商城
11-24 1682
与现有先进的基于3DGS的方法相比，本文的方法实现了25%的速度提升、30%的内存消耗减少，并在质量上取得了更好的表现，为3D网格重建树立了新的基准。之前的研究表明，在多任务学习框架中结合语义分割（SS）和场景语义补全（SSC）可以提升两项任务的性能，其中 SS 提供详细的语义特征，补充 SSC 捕获的几何理解，使得两个模块都能从共享的特征提取中受益。所以，越来越多的研究人员愿意转向高保真的模拟器，如：CARLA等，来生成一些数据，虽然这些合成的数据与真实世界的数据还是存在一些domain gap。
51c自动驾驶~合集46
whaosoft~aiotの开发板商城
01-12 2170
我自己的原文哦~ https://blog.51cto.com/whaosoft/13050104三维空间占有率（3D Occupancy）预测的目的是预测三维空间中的每个体素是否被占有，如果被占有，则对应的体素将被标记。3D Semantic Occupancy是在三维空间内同时编码占用状态和语义信息，成为描述自动驾驶 3D 场景的一种极具吸引力的表示方式。而自动驾驶世界模型（World Model）具备对真实物理世界的理解能力，基于一些历史信息/状态，能够预测未来时刻的场景变化甚至agents的状态
PolarSeg 项目使用教程
gitblog_01150的博客
08-15 517
PolarSeg 项目使用教程 项目介绍 PolarSeg 是一个用于在线 LiDAR 点云语义分割的改进网格表示方法的项目。该项目在 CVPR 2020 上提出，旨在通过轻量级的神经网络提供近实时的点云分割。PolarNet 使用极坐标划分方法，使得点云分割更加均匀，适用于自动驾驶等场景。 项目快速启动 环境配置 首先，克隆项目仓库并激活环境： git clone https://github....
探索PolarSeg：高效、精准的极坐标系语义分割库
gitblog_00067的博客
04-27 508
探索PolarSeg：高效、精准的极坐标系语义分割库 在这个数字图像处理和计算机视觉的时代，是一个值得注意的开源项目，它为图像语义分割提供了新的解决方案。利用极坐标变换，PolarSeg优化了卷积神经网络（CNN）在处理圆形或中心对称结构时的性能，尤其适用于医学图像和遥感图像分析。 项目简介 PolarSeg的核心思想是将传统的笛卡尔坐标系转换为极坐标系，从而更好地捕捉到图像中的圆形特征。这一创新...
PolarNet: 一种改进的时实激光雷达点云语义分割网格表示方法
AI人工智能的海洋
12-28 1847
github工程代码：https://github.com/edwardzhou130/PolarSeg。
激光雷达点云语义分割——Polarseg环境配置
qq_53589322的博客
12-31 1248
本文提出了一个新的方法——PolarNet，旨在解决单扫描激光雷达（LiDAR）数据在自动驾驶中的语义分割问题。PolarNet通过引入极坐标网格表示法和环形卷积，成功地解决了LiDAR点云数据中的三个主要挑战： 硬件延迟：在有限的硬件资源下实现近实时的语义分割。 空间分布不均：LiDAR点云分布往往呈现长尾，且数据在空间上的分布不均匀。 细粒度语义类：随着技术发展，语义分割的目标类别越来越细化，传统方法面临挑战。 通过采用极坐标系而非传统的笛卡尔坐标系，PolarNet更好地平衡了点云数据的分布。
基于PointNet / PointNet++深度学习模型的激光点云语义分割
不要仅为成功而努力，要为做一个有价值的人而努力
06-14 3920
本文记录了PointNet/PointNet++点云语义分割深度学习模型应用于电力档段场景的学习实践过程，同时提交了改进后项目代码文件（项目代码逐行注释解析）
RandLa-Net学习笔记
weixin_47142735的博客
10-11 1万+
RandLa-Net开创了使用随机采样来处理点云的先河，并在大规模点云上取得了非常好的效果。然而，作者在论文中只讲述了如何搭建模型，并没有详细讲述如何进行数据预处理，如何进行随机采样，而这对点云处理也是十分重要的。 因此，本文首先会从数据的角度出发，探析RanLa-Net数据预处理的方式，然后详细讲解RandLa-Net的模型结构，最后对其在S3DIS数据集上的处理过程进行分析。 1. 引言 作者在论文中开片就提出了PointNet++中对数据进行采样存在的缺陷：1.FPS仅适应小规模点云，对大规模点云采样
点云处理算法整理（超详细教程）十大点云数据处理技术梳理
热门推荐
weixin_58797039的博客
12-14 3万+
点云配准的概念类比于二维图像中的配准，只不过二维图像配准获取得到的是x，y，alpha，beta等放射变化参数，二三维点云配准可以模拟三维点云的移动和对齐，也就是会获得一个旋转矩阵和一个平移向量，通常表达为一个4×3的矩阵，其中3×3是旋转矩阵，1*3是平移向量。如果要对一个三维点云进行描述，光有点云的位置是不够的，常常需要计算一些额外的参数，比如法线方向、曲率、文理特征等等。主要包含以下几方面：点云压缩，点云索引（KDtree、Octree），点云LOD（金字塔），海量点云的渲染。
PolarNet：在线激光雷达点云语义分割的改进网格表示
weixin_43823175的博客
03-25 6191
PolarNet：在线激光雷达点云语义分割的改进网格表示 论文 PolarNet: An Improved Grid Representation for Online LiDAR Point Clouds Semantic Segmentation 代码github：https://github.com/edwardzhou130/PolarSeg 论文地址 https://arxiv.org/abs/2003.14032 摘要 由于自动驾驶系统对细粒度感知的需求，单扫描激光雷达在线语义分割的研究近年来有
全面技术预研项目管理文档指南
在技术预研阶段，项目经理需要收集和分析大量的技术信息，包括但不限于新技术的发展趋势、技术解决方案的可行性和市场上的技术需求等。通过这些信息，项目团队可以做出更为明智的决策，减少技术风险。 ### 知识点三...
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