首页
学习
活动
专区
工具
TVP
发布

点云PCL

专栏作者
508
文章
715957
阅读量
171
订阅数
K-Radar:适用于各种天气条件的自动驾驶4D雷达物体检测
文章:K-Radar: 4D Radar Object Detection for Autonomous Driving in Various Weather Conditions
点云PCL博主
2023-12-11
3150
基于Sim2Real的鸟瞰图语义分割方法
文章: A Sim2Real Deep Learning Approach for the Transformation of Images from Multiple Vehicle-Mounted Cameras to a Semantically Segmented Image in Bird’s Eye View
点云PCL博主
2023-09-11
2560
AI赋能智能交通“车路协同”场景,实现“聪明的车、智慧的路”!
车路协同,即利用5G等车载网络传感器与高精度地图的紧密配合获知路况,全方位实时车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成安全、高效和环保的道路交通系统,车路协同已经成为智慧交通规划中的重要组成部分。
点云PCL博主
2022-12-27
1.3K0
SuperLine3D:基于自监督的激光雷达点云线分割与描述子计算方法
文章:SuperLine3D: Self-supervised Line Segmentation and Description for LiDAR Point Cloud
点云PCL博主
2022-09-13
7930
自动驾驶中基于光流的运动物体检测
文章:Optical Flow Based Motion Detection for Autonomous Driving
点云PCL博主
2022-09-13
1.3K0
关注专栏作者,随时接收最新技术干货
自动驾驶中的三维目标检测综述
文章:3D Object Detection for Autonomous Driving: A Survey
点云PCL博主
2022-02-10
1.6K0
面向自动驾驶的三维目标检测研究综述
文章:3D Object Detection for Autonomous Driving: A Survey
点云PCL博主
2022-02-10
1.2K0
用于自动驾驶的激光雷达里程计方法综述
文章;LiDAR Odometry Methodologies for Autonomous Driving: A Survey
点云PCL博主
2022-01-27
1.1K0
代码开源!在大型户外环境中基于路标的视觉语义SLAM
标题:Visual Semantic SLAM with Landmarks for Large-Scale Outdoor Environment
点云PCL博主
2021-03-24
2.1K0
2021最新关于点云配准的全面综述
本文仅做学术分享,如有侵权,请联系删除。欢迎各位加入免费知识星球,获取PDF论文,欢迎转发朋友圈。内容如有错误欢迎评论留言,未经允许请勿转载!
点云PCL博主
2021-03-24
4.8K0
三维点云语义分割总览
三维点云分割既需要了解全局几何结构,又需要了解每个点的细粒度细节。根据分割粒度的不同,三维点云分割方法可以分为三类:语义分割(场景级)、实例分割(对象级)和部分分割(部分级)。
点云PCL博主
2020-09-24
2.3K0
Open3d 学习计划—10(KDTree)
Open3D是一个开源库,支持快速开发和处理3D数据。Open3D在c++和Python中公开了一组精心选择的数据结构和算法。后端是高度优化的,并且是为并行化而设置的。
点云PCL博主
2020-08-21
1.9K0
【点云论文速读】基于YOLO和K-Means的图像与点云三维目标检测方法
标题:3D Object Detection Method Based on YOLO and K-Means for Image and Point Clouds
点云PCL博主
2020-08-10
1.9K0
基于三维卷积神经网络的点云标记
本文研究三维点云的标记问题。介绍了一种基于三维卷积神经网络的点云标记方法。我们的方法最大限度地减少了标记问题的先验知识,并且不像大多数以前的方法那样需要分割步骤或手工制作的特征。特别是,我们提出了在培训和测试过程中处理大数据的解决方案。在包含7类对象的城市点云数据集上进行的实验显示了我们应用程序的鲁棒性。
点云PCL博主
2019-12-31
2.2K1
关联分割点云中的实例和语义
Xinlong Wang 1 Shu Liu 2 Xiaoyong Shen 2 Chunhua Shen 1 Jiaya Jia 2,3
点云PCL博主
2019-10-09
1.3K0
3D点云的深度学习
使用卷积神经网络(CNN)架构的深度学习(DL)现在是解决图像分类任务的标准解决方法。但是将此用于处理3D数据时,问题变得更加复杂。首先,可以使用各种结构来表示3D数据,所述结构包括:
点云PCL博主
2019-07-31
1.3K0
点云深度学习系列二: PointCNN
从前一层的数据中取K个候选点(p1,p2,...pK),使用MLP(多层感知器)来学习一个K×K 的变换矩阵(X-transformation,X变换)也就是说X=MLP(p1,p2,...pK),然后用它同时对输入特征进行加权和置换,最后对经过变换的特征应用典型卷积。我们称这个过程为X-Conv,它是PointCNN的基本构建模块。
点云PCL博主
2019-07-30
2K0
点云深度学习的3D场景理解(下)
本文主要是关于 pointNet,pointNet++,frustum point 的一些整理和总结,内容包括如何将点云进行深度学习,如何设计新型的网络架构,如何将架构应用的3D场景理解。文章由于篇幅过长,将分成上下两部分。上文请看点云深度学习的3D场景理解(上)
点云PCL博主
2019-07-30
1.9K0
PointNet分享_1
这类方法首先在三维形状上提取手工特征, 进而将这些特征作为深度神经网络的输入,用以学习高层特征表示。其优势在于可以充分利用现有的低层特征描述深度学习模型。比如, Bu 等人首先将热核特征和平均测地距离等构成的低层特征通过 Bag-of-Feature 模型转化为中层特征,接着采用深度置信网络(DBN)从中层特征中学习高层特征表示, 并成功应用于三维形状检索与识别。 Xie 等人首先提取三维形状 Heat Kernel Signature 特征的多尺度直方图分布作为自编码机的输入,然后在每个尺度上训练一个自编码机并将多个尺度隐含层的输出连接得到特征描述子, 并在多个数据集上测试了该方法用于形状分类的有效性。这类方法的缺陷在于,其仍然依赖手工特征的选择与参数优化,因此在某种程度上损失了深度学习的优势,无法从根本上克服手工特征存在的问题。
点云PCL博主
2019-07-30
7280
PointNet:三维点云分割与分类的深度学习
本文是关于PointNet点云深度学习的翻译与理解,PointNet是一种直接处理点云的新型神经网络,它很好地体现了输入点云的序列不变性。
点云PCL博主
2019-07-30
2.1K0
点击加载更多
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天,分 10000 元奖品池!
Python精品学习库
代码在线跑,知识轻松学
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档