3.ad ss note
2023年3月31日10:38:37
围绕autonomous driving的semantic segmentation论文素材
1.tech
《Bilateral U-Net semantic segmentation with spatial attention mechanism》2020
一种用于复杂驾驶场景下行人相对位置感知的网络模型 P-LPN，能够实时产生语义分割结果并对每个行人进行位置推断
《Universal Semantic Segmentation for Fisheye Urban Driving Images》2020
一种七自由度增强方法，用于将矩形图像转换为鱼眼图像
《Real-Time Fusion Network for RGB-D Semantic Segmentation Incorporating Unexpected Obstacle Detection for Road-Driving Images》2020
实时RGB-D融合语义分割网络RFNet，有效利用了互补的跨模态信息，并采用多数据集训练来增加可识别类别以应对现实世界中的意外危险
《NLFNet: Non-Local Fusion Towards Generalized Multimodal Semantic Segmentation across RGB-Depth, Polarization, and Thermal Images》2021
新的非局部融合网络（NLFNet），可以自适应地选择性地融合不同光学传感器收集的补充信息，提高了网络的分割精度
《Drivable Dirt Road Region Identification Using Image and Point Cloud Semantic Segmentation Fusion》2022
一种融合图像和点云语义分割的方法，通过将结果转换成鸟瞰图网格地图并采用alphashape算法
《Low-Latency LiDAR Semantic Segmentation》2022
实时LiDAR语义分割和语义预测相结合
《Semantic Segmentation using Modified U-Net for Autonomous Driving》2022
将U-Net模型的编码器替换为卷积神经网络（CNN）架构，用卷积神经网络（CNN）结构替换U-Net模型的编码器部分
《PCSCNet: Fast 3D semantic segmentation of LiDAR point cloud for autonomous car using point convolution and sparse convolution network》2023
用于自动驾驶中 LiDAR 点云，一种利用点卷积和稀疏卷积网络实现快速LiDAR点云的语义分割，旨在解决现有基于体素的语义分割方法因高体素分辨率导致计算负载大，实时性差的问题
2.contribution
《Bilateral U-Net semantic segmentation with spatial attention mechanism》2020
实现自动驾驶系统对行人的不同安全级别分类。同时，该模型在准确性和效率方面都取得了竞争性的表现
《Universal Semantic Segmentation for Fisheye Urban Driving Images》2020
提高鱼眼相机的语义分割模型的准确性和鲁棒性，并为不同自动驾驶应用中的鱼眼相机提供通用的语义分割解决方案
《Real-Time Fusion Network for RGB-D Semantic Segmentation Incorporating Unexpected Obstacle Detection for Road-Driving Images》2020
在Cityscapes数据集上优于之前最先进的语义分割器，具有优秀的精度和22 Hz推理速度，胜过大多数现有的RGB-D网络
《NLFNet: Non-Local Fusion Towards Generalized Multimodal Semantic Segmentation across RGB-Depth, Polarization, and Thermal Images》2021
解决了在各种具有挑战性的实际场景中的目标识别问题，适用于自动驾驶和机器人视觉应用
《Drivable Dirt Road Region Identification Using Image and Point Cloud Semantic Segmentation Fusion》2022
实现在未铺装的泥路上的行驶区域识别，同时通过时间累积来补偿精度降低的问题
《Low-Latency LiDAR Semantic Segmentation》2022
解决实时分割方法延迟的问题，并在实验中验证了该方法可以实现实时低延迟的性能
《Semantic Segmentation using Modified U-Net for Autonomous Driving》2022
提高自动驾驶中的场景理解能力，通过对Cityscapes数据集的广泛分析，发现使用VGG-16编码器的U-Net模型比使用ResNet50编码器的表现更好，并将其与FCN和SegNet等语义分割CNN架构进行比较，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
该方法在语义分割准确率和实时性方面优于现有方法
/
run and gun
