m0_51657509的博客

目标：提升自动驾驶车辆中激光雷达（LiDAR）数据的语义分割技术，提供独立于视觉传感器的语义信息源。方法：提出一种新方法，通过距离图像和卷积神经网络（CNN）实现激光雷达点云的实时语义分割。贡献：新后处理算法解决离散化误差和模糊CNN输出问题，实验显示方法超越现有技术，可在线实时运行。

PointNet++旨在解决PointNet在捕获局部结构方面的局限性，特别是在度量空间中。通过递归地在点集的嵌套划分上应用PointNet，PointNet++能够学习局部特征，并在不同的上下文尺度上进行特征提取。论文还提出了一种新的集合学习层，以适应不同密度的点集，提高网络的性能和鲁棒性。

论文中提出了，一个专门为研究在下进行而设计的数据集。该数据集包含了密集的点级注释，所有数据都来自条件（包括浓雾、轻雾、降雪和降雨）。这一数据集的特点是填补了现有3D分割模型的一个空白，因为大部分现有模型训练时使用的点云数据来自正常天气条件。本研究是首次探索 3DSS的尝试。利用SemanticSTF 数据集使正常到恶劣环境的成为可能。自动驾驶系统高度依赖点云来进行环境感知，这些点云通常是在不同的天气条件下获取的。

背景：点云是3D几何数据的一种重要结构，但其不规则性使得传统深度学习方法难以直接应用。贡献：提出了PointNet，一种新型神经网络，能够直接处理点云数据，保持对输入点排列的不变性。性能：在多个3D识别任务上，PointNet表现出与或超过最先进技术的性能。

60epochs只需要训练23hours左右，并在45epoch时达到最好结果。在ptBEVnet实例化网络时，pt_selection = 'farthest’使用FPS策略进行训练。训练25epochs，共训练78hours左右。nuScenes数据集训练40epochs。训练后在sequence08上的验证结果。默认参数训练，共训练55hours左右。TitanXp(12GB)单卡。最好结果出现在38epochs。最好结果出现在19epoch。训练60epochs。

背景: 自动驾驶系统中对细粒度感知的需求推动了对单次扫描LiDAR点云在线语义分割的研究。挑战: 近实时延迟需求、LiDAR点云空间分布不均以及细粒度语义类别数量增加。PolarNet: 提出了一种新的LiDAR特定、无需最近邻的分割算法，使用极坐标系下的鸟瞰图表示，平衡了网格单元中的点分布。结果: 在真实城市LiDAR单次扫描的三个不同分割数据集上，mIoU显著提高，同时保持近实时吞吐量。

​ 提出CenterPoint框架，用于从激光雷达点云中进行3D目标检测和跟踪任务。​ CenterPoint将目标表示为点，从而简化检测和跟踪过程：​ 在backbone构建输入点云的表示并flatten以后，首先使用关键点检测器（keypoint detector）检测对象的中心，并回归到其他属性，包括3D大小、3D方向和速度。在第二阶段使用对象上的其他点特征来细化这些估计。该方法使用标准3D点云编码器和几个卷积层来生成BEV的hotmap和其他密集回归输出。