2023年3月31日10:38:37

圍繞autonomous driving的semantic segmentation論文素材

1.tech

《Bilateral U-Net semantic segmentation with spatial attention mechanism》2020

一種用于復(fù)雜駕駛場景下行人相對位置感知的網(wǎng)絡(luò)模型 P-LPN，能夠?qū)崟r(shí)產(chǎn)生語義分割結(jié)果并對每個(gè)行人進(jìn)行位置推斷

《Universal Semantic Segmentation for Fisheye Urban Driving Images》2020

一種七自由度增強(qiáng)方法，用于將矩形圖像轉(zhuǎn)換為魚眼圖像

《Real-Time Fusion Network for RGB-D Semantic Segmentation Incorporating Unexpected Obstacle Detection for Road-Driving Images》2020

實(shí)時(shí)RGB-D融合語義分割網(wǎng)絡(luò)RFNet，有效利用了互補(bǔ)的跨模態(tài)信息，并采用多數(shù)據(jù)集訓(xùn)練來增加可識別類別以應(yīng)對現(xiàn)實(shí)世界中的意外危險(xiǎn)

《NLFNet: Non-Local Fusion Towards Generalized Multimodal Semantic Segmentation across RGB-Depth, Polarization, and Thermal Images》2021

新的非局部融合網(wǎng)絡(luò)（NLFNet），可以自適應(yīng)地選擇性地融合不同光學(xué)傳感器收集的補(bǔ)充信息，提高了網(wǎng)絡(luò)的分割精度

《Drivable Dirt Road Region Identification Using Image and Point Cloud Semantic Segmentation Fusion》2022

一種融合圖像和點(diǎn)云語義分割的方法，通過將結(jié)果轉(zhuǎn)換成鳥瞰圖網(wǎng)格地圖并采用alphashape算法

《Low-Latency LiDAR Semantic Segmentation》2022

實(shí)時(shí)LiDAR語義分割和語義預(yù)測相結(jié)合

《Semantic Segmentation using Modified U-Net for Autonomous Driving》2022

將U-Net模型的編碼器替換為卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)，用卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)替換U-Net模型的編碼器部分

《PCSCNet: Fast 3D semantic segmentation of LiDAR point cloud for autonomous car using point convolution and sparse convolution network》2023

用于自動駕駛中 LiDAR 點(diǎn)云，一種利用點(diǎn)卷積和稀疏卷積網(wǎng)絡(luò)實(shí)現(xiàn)快速LiDAR點(diǎn)云的語義分割，旨在解決現(xiàn)有基于體素的語義分割方法因高體素分辨率導(dǎo)致計(jì)算負(fù)載大，實(shí)時(shí)性差的問題

2.contribution

《Bilateral U-Net semantic segmentation with spatial attention mechanism》2020

實(shí)現(xiàn)自動駕駛系統(tǒng)對行人的不同安全級別分類。同時(shí)，該模型在準(zhǔn)確性和效率方面都取得了競爭性的表現(xiàn)

《Universal Semantic Segmentation for Fisheye Urban Driving Images》2020

提高魚眼相機(jī)的語義分割模型的準(zhǔn)確性和魯棒性，并為不同自動駕駛應(yīng)用中的魚眼相機(jī)提供通用的語義分割解決方案

《Real-Time Fusion Network for RGB-D Semantic Segmentation Incorporating Unexpected Obstacle Detection for Road-Driving Images》2020

在Cityscapes數(shù)據(jù)集上優(yōu)于之前最先進(jìn)的語義分割器，具有優(yōu)秀的精度和22 Hz推理速度，勝過大多數(shù)現(xiàn)有的RGB-D網(wǎng)絡(luò)

《NLFNet: Non-Local Fusion Towards Generalized Multimodal Semantic Segmentation across RGB-Depth, Polarization, and Thermal Images》2021

解決了在各種具有挑戰(zhàn)性的實(shí)際場景中的目標(biāo)識別問題，適用于自動駕駛和機(jī)器人視覺應(yīng)用

《Drivable Dirt Road Region Identification Using Image and Point Cloud Semantic Segmentation Fusion》2022

實(shí)現(xiàn)在未鋪裝的泥路上的行駛區(qū)域識別，同時(shí)通過時(shí)間累積來補(bǔ)償精度降低的問題

《Low-Latency LiDAR Semantic Segmentation》2022

解決實(shí)時(shí)分割方法延遲的問題，并在實(shí)驗(yàn)中驗(yàn)證了該方法可以實(shí)現(xiàn)實(shí)時(shí)低延遲的性能

《Semantic Segmentation using Modified U-Net for Autonomous Driving》2022

提高自動駕駛中的場景理解能力，通過對Cityscapes數(shù)據(jù)集的廣泛分析，發(fā)現(xiàn)使用VGG-16編碼器的U-Net模型比使用ResNet50編碼器的表現(xiàn)更好，并將其與FCN和SegNet等語義分割CNN架構(gòu)進(jìn)行比較，平均交并比（mIoU）提高了2%

《PCSCNet: Fast 3D semantic segmentation of LiDAR point cloud for autonomous car using point convolution and sparse convolution network》2023

該方法在語義分割準(zhǔn)確率和實(shí)時(shí)性方面優(yōu)于現(xiàn)有方法

/

run and gun?