1.三维点云深度学习算法综述【综述】三维点云深度学习算法综述,sota pointcloud - 知乎 (zhihu.com) 码上AI 关注 weixin_70923796的博客 137 3D视觉工坊 2027 作者丨小白@知乎来源丨https://zhuanlan.zhihu.com/p/157791868编辑丨深蓝学院本文是对<Deep Learning for 3D Point Clohttps://blog.csdn.net/weixin_45295333/article/details/138523452

2.基于深度学习的三维点云处理方法研究进展第51 卷第 5 期/2024 年 3 月/中国激光 综述 基于深度学习的三维点云处理方法研究进展 吴一全*,陈慧娴,张耀 南京航空航天大学电子信息工程学院,江苏 南京 211106 摘要 随着传感器技术的不断发展,三维点云被广泛应用于自动驾驶,机器人,遥感,文物修复,增强现实,虚拟现实 等领域的视觉任务中 . 然而 ,直接应用收集https://www.opticsjournal.net/Articles/GetArticlePDF/OJeb4150232c7fa1bc

3.「3D点云深度学习」综述:三维形状分类目标检测与跟踪点云分割等这篇论文是第一个专门针对点云的深度学习方法的综述。此外,论文全面涵盖了分类,检测,跟踪和分割等不同应用。图1显示了三维点云的现有深度学习方法的分类。 图1:三维点云深度学习方法分类。 这项工作的主要贡献可以概括如下: 1)据我们所知,这是第一篇全面涵盖多个重要点云相关任务的深度学习方法的综述论文,包括三https://cloud.tencent.com/developer/article/1639485

4.基于深度学习的点云语义分割综述点云语义分割作为三维场景理解和分析的关键步骤,受到了研究者的广泛关注。深度学习具有优良的高层语义理解能力,基于深度学习的点云语义分割已成为当前研究的热点。首先,从语义分割的概念出发,简要叙述了点云语义分割的优势和现存的挑战;进而详细介绍了点云分割算法和常见的数据集,重点对点云语义分割领域中基于点排序、https://www.cnki.com.cn/Article/CJFDTotal-JGDJ202004002.htm

5.一文尽览基于点云多模态的3D目标检测算法综述!(Point/Voxel/论文将三维点云划分为一定数量的Voxel,经过点的随机采样以及归一化后,对每一个非空Voxel使用若干个VFE(Voxel Feature Encoding)层进行局部特征提取,得到Voxel-wise Feature,然后经过3D Convolutional Middle Layers进一步抽象特征(增大感受野并学习几何空间表示),最后使用RPN(Region Proposal Network)对物体进行分类检测与https://developer.aliyun.com/article/1142967

6.自动驾驶高清地图生成技术综述汽车技术基于三维点云的道路或车道提取已广泛应用于高精地图的生成过程中。激光雷达点云具有很高的精度,通常达到毫米级精度,并包含被扫描物体的几何信息。三维点云的道路提取是利用分割完成的。Ibrahim等人指出,二维道路网络不能提供任何物体相对位置的深度线索,而且二维道路网络中较小的基础设施变化也不是最新的[70]。Ibrahim等https://www.auto-testing.net/mobile/21-0-117098-1.html

7.基于深度学习的三维目标检测算法综述算法语言 基于深度学习的三维目标检测算法综述 邵昀岑 （东南大学 软件学院，江苏 南京　211189）摘　要：随着自动驾驶行业的快速发展，基于深度学习的三维目标检测技术也得到了快速发展，目前自动驾驶汽车主要依赖图像与激光雷达点云进行环境感知。基于这两种数据的三维目标检测技术可提取出物体的空间结构信息，包括物体的https://wenku.baidu.com/view/4666c94e757f5acfa1c7aa00b52acfc789eb9f20.html

8.史上最全基于深度学习的3D分割综述(RGB为了避免这些复杂性,研究人员将整个点云投影到一个球体上(见图6底部)。例如,Wu等人[152]提出了一个名为SqueezeSeg的端到端管道,其灵感来自SqueezeNet[53],用于从球形图像中学习特征,然后由CRF将其细化为循环层。类似地,PointSeg[148]通过整合特征和通道注意力来扩展SqueezeNet,以学习鲁棒表示。其他相关算法还有[153]https://www.shangyexinzhi.com/article/5397310.html

9.深度学习中的三维点云数据分类算法研究其中自动驾驶的车辆常常使用LiDAR作为传感器获取周边点云数据,点云分类算法赋予原始点云的语义信息有助于车辆行驶速度的调整和行驶方向的选择。近年来基于深度学习的点云数据分类技术在模拟点云数据上取得了长足的发展,但在具有噪声和背景的真实点云数据的分类任务上仍是一个具有挑战的问题。首先,本文探讨了如何将孪生http://cnki.nbsti.net/KCMS/detail/detail.aspx?filename=1021095363.nh&dbcode=CMFD

10.自动驾驶视觉感知算法技术综述自动驾驶视觉感知算法技术综述 近些年,深度学习进入到视觉感知的各个领域,取得不错的成绩,因此,我们梳理了一些经典的深度学习算法。 环境感知 是自动驾驶的第一环,是车辆和环境交互的纽带。一个自动驾驶系统整体表现的好坏,很大程度上都取决于感知系统的好坏。目前,环境感知技术有两大主流技术路线:https://www.51cto.com/article/753817.html

11.基于计算机视觉的施工现场工人不安全行为识别方法研究.pdf(4)深度学习算法综述小结 计算机领域的目标检测与对象识别算法、人体姿态估计算法、动作识别算法 均为本研究中不安全行为的识别提供有效支持。考虑到不安全行为识别所需的细 度、实时性等要求,实现精细化分割与更精准定位的Mask R-CNN、人体骨骼细 部特征以及效率更高OpenPose算法、能有效处理长时间序列的LSTM 网络等https://max.book118.com/html/2021/0203/8070116076003045.shtm

12.深度学习技术在自动驾驶中的应用AET深度学习方法特别适合于从摄像机和lidar(光探测和测距)设备获取的2d图像和3d点云中检测和识别对象。在自动驾驶中,三维感知主要基于激光雷达传感器,它以三维点云的形式提供对周围环境的直接三维表示。激光雷达的性能是根据视场、距离、分辨率和旋转/帧速率来衡量的。3D传感器,如Velodyne?通常具有360度水平视野。为了高速行http://www.chinaaet.com/article/3000110152

13.三维点云数据超分辨率技术基于深度学习的三维点云处理方法研究进展. 中国激光. 2024(05): 143-165 . 2. 朱婧怡,杨鹏程,孟杰,张津京,崔嘉宝,代阳. 基于曲率特征的文物点云分类降采样与配准方法. 中国光学(中英文). 2024(03): 572-579 . 3. 龙佳乐,杜梓浩,张建民,陈富健,关浩源,黄克森,孙瑞. 基于图像分割的点云去噪方法. http://www.chineseoptics.net.cn/en/article/doi/10.37188/CO.2021-0176

14.博创基金微展示第28期张志远:基于深度学习的三维点云配准研究但是,由于基于深度学习的三维点云配准技术发展时间较短,仍有许多棘手的问题未能很好的解决,如配准精度较低,对外点鲁棒性较差等。针对上述问题,在科技部科技创新2030“新一代人工智能”重点项目子课题、国家自然科学基金等项目支持下,从鲁棒特征描述子学习、配准网络框架改进、虚拟匹配点分布修正、两阶段硬匹配策略设计等https://gs.nwpu.edu.cn/info/2490/18307.htm

15.基于自注意力机制的点云分类分割摘要:3D点云由于其无序性以及缺少拓扑信息使得点云的分类与分割仍具有挑战性. 针对上述问题, 我们设计了一种基于自注意力机制的3D点云分类算法, 可学习点云的特征信息, 用于目标分类与分割. 首先, 设计适用于点云的自注意力模块, 用于点云的特征提取. 通过构建领域图来加强输入嵌入, 使用自注意力机制进行局部https://c-s-a.org.cn/html/2024/1/9341.html