基于深度学习的车载3D LiDAR几何与语义场景理解

Li Li

基于深度学习的车载3D LiDAR几何与语义场景理解

计算机视觉与模式识别 2024-11-04 v1 人工智能机器人学

作者: Li Li

摘要

3D LiDAR点云数据对于计算机视觉、机器人和自动驾驶中的场景感知至关重要。涉及3D点云的几何与语义场景理解对于推进自动驾驶技术至关重要。然而，在提高整体精度（如分割精度、深度估计精度等）和效率方面仍存在重大挑战。为解决LiDAR相关任务的精度问题，我们提出了DurLAR——首个具有全景环境（近红外）和反射率图像的高保真128通道3D LiDAR数据集。为在确保精度的同时提高3D分割效率，我们提出了一种采用更小架构的新流水线，需要更少的真值标注，同时实现了优于现有方法的分割精度。为提高分割精度，我们引入了Range-Aware Pointwise Distance Distribution（RAPiD）特征及相关的RAPiD-Seg架构。所有贡献均已被同行评审会议收录，强调了车载3D LiDAR应用在精度和效率两方面的进展。完整摘要：https://etheses.dur.ac.uk/15738/。

关键词

3D LiDAR 场景理解自动驾驶深度学习分割精度深度估计 RAPiD特征 DurLAR数据集

引用

@article{arxiv.2411.00600,
  title  = {On Deep Learning for Geometric and Semantic Scene Understanding Using On-Vehicle 3D LiDAR},
  author = {Li Li},
  journal= {arXiv preprint arXiv:2411.00600},
  year   = {2024}
}

备注

PhD thesis (Durham University, Computer Science), 149 pages (the 2024 BMVA Sullivan Doctoral Thesis Prize runner-up). Includes published content from arXiv:2407.10159 (ECCV 2024 ORAL), arXiv:2303.11203 (CVPR 2023), and arXiv:2406.10068 (3DV 2021), with minor revisions to the examined version: https://etheses.dur.ac.uk/15738/

基于深度学习的车载3D LiDAR几何与语义场景理解

摘要

关键词

引用

备注

相关论文