CN110738200A - 车道线3d点云地图构建方法、电子设备及存储介质 - Google Patents
车道线3d点云地图构建方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110738200A CN110738200A CN201911333610.2A CN201911333610A CN110738200A CN 110738200 A CN110738200 A CN 110738200A CN 201911333610 A CN201911333610 A CN 201911333610A CN 110738200 A CN110738200 A CN 110738200A
- Authority
- CN
- China
- Prior art keywords
- lane line
- network architecture
- feature points
- image
- point cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了车道线3D点云地图构建方法,包括如下步骤:获取RGB图像以及深度图像,并获取当前的RGB图像以及深度图像所对应的GPS位置信息;创建卷积网络架构以及反卷积网络架构;逐层提取特征点,并将每一层的RGB图像的特征点与深度图像的特征点融合后输出至反卷积网络架构中;反卷积网络架构将每一层的融合特征点反向运算输出语义分割图像;基于当前的所述语义分割图像输出对应的车道线语义分割图转换为车道线3D点云地图。本发明通过深度网络对采集的RGB图像和深度图像进行编码、特征提取,以获取语义分割图像,从而基于语义分割图像结合摄像机的位姿拼接成车道线3D点云地图,可用于其他2D或3D地图融合车道线信息。
Description
技术领域
本发明涉及地图处理技术,尤其涉及车道线3D云地图构建方法、电子设备及存储介质。
背景技术
目前vSLAM构建的地图主要分为特征点3D点云地图和RGB 3D云地图以及语义点云地图。特征点3D点云地图可由ORB SLAM方法进行构建,建图后只能用作本方法的定位用途。RGB 3D点云地图可由RTABMAP SLAM方法进行构建,地图可以可视化三维空间的RGB点云,建图后只能用作本方法的定位用途。语义点云地图,一般为直接用点云进行语义分割后基于这语义点云进行构图,或基于单目的CNNSLAM,上述方法都不能对单独构建车道线三维语义地图,用于其它2D或3D地图车道线融合,不能容易地复用该车道线三维语义地图。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供车道线3D点云地图构建方法,其能解决现有技术不能对各种地图车道线进行融合的问题。
本发明的目的之二在于提供一种电子设备,其能解决现有技术不能对各种地图车道线进行融合的问题。
本发明的目的之三在于提供一种存储介质,其能解决现有技术不能对各种地图车道线进行融合的问题。
本发明的目的之一采用以下技术方案实现:
车道线3D点云地图构建方法,包括如下步骤:
基于RGBD摄像头采集前方车道的RGB图像信息以及深度信息,以获取RGB图像以及深度图像,并获取当前的RGB图像以及深度图像所对应的GPS位置信息。
创建卷积网络架构以及反卷积网络架构。
将当前的RGB图像以及深度图像输入至卷积网络架构中分别逐层提取特征点,并将每一层的RGB图像的特征点与深度图像的特征点融合后作为融合特征点,输出至反卷积网络架构中。
反卷积网络架构将每一层的融合特征点反向运算输出语义分割图像。
基于当前的所述语义分割图像输出对应的车道线语义分割图,并输出RGBD摄像头的采集位姿。
根据深度信息将车道线语义分割图转换为车道线3D点云地图。
优选的,还包括如下步骤:将车道线3D点云地图进行矢量化,以形成车道线3D矢量地图。
优选的,RGBD摄像头安装于车辆前端。
优选的,将当前的RGB图像以及深度图像输入至卷积网络架构之前将所述RGB图像以及深度图像进行归一化处理。
优选的,所述卷积网络架构以及反卷积网络架构均为五层。
优选的,反卷积网络架构将每一层的融合特征点反向运算后通过LSTM网络输出语义分割图像。
本发明的目的之二采用以下技术方案实现:
一种电子设备,其上设有存储器、处理器以及存储在存储器中并可被处理器执行的计算机可读程序,所述计算机可读程序被处理器执行时,实现如下步骤:
基于RGBD摄像头采集前方车道的RGB图像信息以及深度信息,以获取RGB图像以及深度图像,并获取当前的RGB图像以及深度图像所对应的GPS位置信息。
创建卷积网络架构以及反卷积网络架构。
将当前的RGB图像以及深度图像输入至卷积网络架构中分别逐层提取特征点,并将每一层的RGB图像的特征点与深度图像的特征点融合后作为融合特征点,输出至反卷积网络架构中。
反卷积网络架构将每一层的融合特征点反向运算输出语义分割图像。
基于当前的所述语义分割图像输出对应的车道线语义分割图,并输出RGBD摄像头的采集位姿。
根据深度信息将车道线语义分割图转换为车道线3D点云地图。
优选的,还包括如下步骤:将车道线3D点云地图进行矢量化,以形成车道线3D矢量地图。
优选的,将当前的RGB图像以及深度图像输入至卷积网络架构之前将所述RGB图像以及深度图像进行归一化处理。
本发明的目的之三采用以下技术方案实现:
一种存储介质,其上存储有可被处理器执行的计算机可读程序,其特征在于,所述计算机可读程序被处理器执行时,实现如本发明目的之一任一项所述的车道线3D云地图构建方法。
相比现有技术,本发明的有益效果在于:
本发明通过深度网络对采集的RGB图像和深度图像进行编码、特征提取,以获取语义分割图像,从而基于语义分割图像结合摄像机的位姿拼接成车道线3D点云地图,可用于其他2D或3D地图融合车道线信息。
附图说明
图1为本发明的车道线3D地图点云地图构建方法的流程图。
图2为本发明的整体网络架构图。
图3为本发明的卷积网络架构和反卷积网络架构图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述:
如图1所示,本发明提供一种车道线3D点云地图构建方法,包括如下步骤:
S1:基于RGBD摄像头采集前方车道的RGB图像信息以及深度信息,以获取RGB图像以及深度图像,并获取当前的RGB图像以及深度图像所对应的GPS位置信息。
在本步骤中,RGBD摄像头安装在车辆前端,车辆可以是专门用于采集的车辆。
S2:创建卷积网络架构以及反卷积网络架构。
本发明没采用采用分类/检测模型常用的骨干网络,如VGG16,Mobilenet,IncpetionNet,ResNet58等,而是采用针对语义分割场景定制优化的轻量级SXNet网络,最大特点是先通过一级的InceptionLayer_1层再级联多层轻量化的卷积网络架构。在底层尽量提取各维度的特征,有利于提高边缘分割的精度。 多级卷积网络架构增加网络感受,有利于减少物体内部分割的误差,同时对网络进行轻量化,使得网络能在AI芯片上可以实时分割。
S3:将当前的RGB图像以及深度图像输入至卷积网络架构中分别逐层提取特征点,并将每一层的RGB图像的特征点与深度图像的特征点融合后作为融合特征点,输出至反卷积网络架构中。
在本步骤之前,将所述RGB图像以及深度图像进行归一化处理。之后输入值SXNet网络进行编码以提取特征点。编码阶段也就是输出语义分割图像的阶段。
S4:反卷积网络架构将每一层的融合特征点反向运算输出语义分割图像。
S5:基于当前的所述语义分割图像输出对应的车道线语义分割图,并输出RGBD摄像头的采集位姿。
S6:根据深度信息将车道线语义分割图转换为车道线3D点云地图。
在本发明中,所述卷积网络架构以及反卷积网络架构均为五层。反卷积网络架构将每一层的融合特征点反向运算后通过LSTM网络输出语义分割图像。
具体的,下面结合图2和图3对本发明的输出语义分割图像的过程进行说明。将当前的RGB图像以及深度图像输入至5X5卷积网络架构提取第一层低层语义特征,其卷积的步长为2,把输出图像下采样,缩小一倍,通过归一化操作进行归一化处理,通过Relu激活函数对特征进行非线性映射,提升模型表达能力。以Conv0层输出作为InceptionLayer_1的输入,InceptionLayer_1的特点是:4个分支都通过Conv1x1对输入特征分别升维,再分别进行Conv3x3,Conv5x5,Conv7x7 卷积,提取不同感受野特征。最后Conv Group_2输出两个分支,1个分支给到下层的Conv Group_3继续进行提取特征,另1个分支把RGB图像与Depth图像在Conv Group_2的输出进行Concat运算融合,输出到解码阶段对应的DeConv Group2。
以InceptionLayer_1层输出作为Conv Group_2的输入,其中“x4”表示ConvGroup_2后面重复4个Conv3x1/Conv1x3/BN/Relu结构。以Conv Group_2层输出作为ConvGroup_3的输入, 其中“x8”表示Conv Group_3后面重复8个Conv3x1/Conv1x3/BN/Relu结构。最后Conv Group_3输出两个分支,1个分支给到下层的Conv Group_4继续进行提取特征,另1个分支把RGB图像与Depth图像在Conv Group_3的输出进行Concat运算融合,输出到解码阶段对应的DeConv Group3。以Conv Group_3层输出作为Conv Group_4的输入, 其中“x16”表示Conv Group_4后面重复16个Conv3x1/Conv1x3/BN/Relu结构。最后Conv Group_4输出两个分支,1个分支给到下层的Conv Group_5继续进行提取特征,另1个分支把RGB图像与Depth图像在Conv Group_4的输出进行Concat运算融合,输出到解码阶段对应的DeConvGroup4。以Conv Group_4层输出作为Conv Group_5的输入, 其中“x8”表示Conv Group_5后面重复8个Conv3x1/Conv1x3/BN/Relu结构。最后Conv Group_5输出把RGB图像与Depth图像(深度图像)在Conv Group_5的输出进行Concat运算融合,输出到Decoder阶段对应的DeConv Group5, 以及图2的RNN LSTM1对应时刻的输入。DeConv Group5 层以Conv Group_5融合特征为输入,通过DeConv Group层输出到DeConv Group4。DeConv Group层结构为:先通过Conv1x1进行降维,再通过Conv3x3,stride(步长)=1/2进行上采样,重复3个Conv3x1/Conv1x3/BN/Relu结构,通过Conv1x1进行升维输出。DeConv Group4 层以Conv Group_4融合特征和DeConv Group5 为输入,通过DeConv Group层输出到DeConv Group3。DeConvGroup层结构为:先通过Conv1x1进行降维,再通过Conv3x3,stride=1/2进行上采样,重复3个Conv3x1/Conv1x3/BN/Relu结构,通过Conv1x1进行升维输出。DeConv Group3 层以ConvGroup_3融合特征和DeConv Group4 为输入,通过DeConv Group层输出到DeConv Group2。DeConv Group2 层以Conv Group_2融合特征和DeConv Group3 为输入,通过DeConv Group层输出到DeConv Group1; DeConv Group1 层以Conv Group_1融合特征和DeConv Group2为输入,通过DeConv Group层输出到分割图像。图2的RNN LSTM1以DeConv Group5为输入。输出到LSTM2以及下一时刻的LSTM1。 RNN LSTM2以LSTM1为输入。输出到LSTM3以及下一时刻的LSTM2; RNN LSTM3以LSTM2为输入。输出到Pose信息以及下一时刻的LSTM3。
之后由图2所示出的网络架构输出车道线语义分割图。将摄像机的位姿与车道线语义分割图结合,把上一步的当前帧点云乘以位姿,即对当前帧点云进行旋转、平移、缩放,从而完成拼接的过程,即可得到多帧拼接后的车道线点云地图。
最后,还将车道线3D点云地图进行矢量化,以形成车道线3D矢量地图。形成3D矢量地图的方法是通过多项式拟合各段车道线,得出各段车道线的端点,角度,线长线宽,以及RGB点云地图对应的颜色信息,最后组后以上参数得到各段的矢量线。
本发明还提供一种电子设备,其上设有存储器、处理器以及存储在存储器中并可被处理器执行的计算机可读程序,所述计算机可读程序被处理器执行时,实现如下步骤:
基于RGBD摄像头采集前方车道的RGB图像信息以及深度信息,以获取RGB图像以及深度图像,并获取当前的RGB图像以及深度图像所对应的GPS位置信息。创建卷积网络架构以及反卷积网络架构。将当前的RGB图像以及深度图像输入至卷积网络架构中分别逐层提取特征点,并将每一层的RGB图像的特征点与深度图像的特征点融合后作为融合特征点,输出至反卷积网络架构中。反卷积网络架构将每一层的融合特征点反向运算输出语义分割图像。基于当前的所述语义分割图像输出对应的车道线语义分割图,并输出RGBD摄像头的采集位姿。根据深度信息将车道线语义分割图转换为车道线3D点云地图。
本发明还提供一种存储介质,其上存储有可被处理器执行的计算机可读程序,所述计算机可读程序被处理器执行时,实现如本发明任一项所述的车道线3D云地图构建方法。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.车道线3D点云地图构建方法,其特征在于,包括如下步骤:
基于RGBD摄像头采集前方车道的RGB图像信息以及深度信息,以获取RGB图像以及深度图像,并获取当前的RGB图像以及深度图像所对应的GPS位置信息;
创建卷积网络架构以及反卷积网络架构;
将当前的RGB图像以及深度图像输入至卷积网络架构中分别逐层提取特征点,并将每一层的RGB图像的特征点与深度图像的特征点融合后作为融合特征点,输出至反卷积网络架构中;
反卷积网络架构将每一层的融合特征点反向运算输出语义分割图像;
基于当前的所述语义分割图像输出对应的车道线语义分割图,并输出RGBD摄像头的采集位姿;
根据深度信息将车道线语义分割图转换为车道线3D点云地图。
2.如权利要求1所述的车道线3D点云地图构建方法,其特征在于,还包括如下步骤:将车道线3D点云地图进行矢量化,以形成车道线3D矢量地图。
3.如权利要求1所述的车道线3D点云地图构建方法,其特征在于,RGBD摄像头安装于车辆前端。
4.如权利要求1所述的车道线3D点云地图构建方法,其特征在于,将当前的RGB图像以及深度图像输入至卷积网络架构之前将所述RGB图像以及深度图像进行归一化处理。
5.如权利要求1所述的车道线3D点云地图构建方法,其特征在于,所述卷积网络架构以及反卷积网络架构均为五层。
6.如权利要求5所述的车道线3D点云地图构建方法,其特征在于,反卷积网络架构将每一层的融合特征点反向运算后通过LSTM网络输出语义分割图像。
7.一种电子设备,其上设有存储器、处理器以及存储在存储器中并可被处理器执行的计算机可读程序,其特征在于,所述计算机可读程序被处理器执行时,实现如下步骤:
基于RGBD摄像头采集前方车道的RGB图像信息以及深度信息,以获取RGB图像以及深度图像,并获取当前的RGB图像以及深度图像所对应的GPS位置信息;
创建卷积网络架构以及反卷积网络架构;
将当前的RGB图像以及深度图像输入至卷积网络架构中分别逐层提取特征点,并将每一层的RGB图像的特征点与深度图像的特征点融合后作为融合特征点,输出至反卷积网络架构中;
反卷积网络架构将每一层的融合特征点反向运算输出语义分割图像;
基于当前的所述语义分割图像输出对应的车道线语义分割图,并输出RGBD摄像头的采集位姿;
根据深度信息将车道线语义分割图转换为车道线3D点云地图。
8.如权利要求7所述的电子设备,其特征在于,还包括如下步骤:将车道线3D点云地图进行矢量化,以形成车道线3D矢量地图。
9.如权利要求7所述的电子设备,其特征在于,将当前的RGB图像以及深度图像输入至卷积网络架构之前将所述RGB图像以及深度图像进行归一化处理。
10.一种存储介质,其上存储有可被处理器执行的计算机可读程序,其特征在于,所述计算机可读程序被处理器执行时,实现如权利要求1-6任一项所述的车道线3D云地图构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333610.2A CN110738200A (zh) | 2019-12-23 | 2019-12-23 | 车道线3d点云地图构建方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333610.2A CN110738200A (zh) | 2019-12-23 | 2019-12-23 | 车道线3d点云地图构建方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110738200A true CN110738200A (zh) | 2020-01-31 |
Family
ID=69274568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911333610.2A Pending CN110738200A (zh) | 2019-12-23 | 2019-12-23 | 车道线3d点云地图构建方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738200A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539973A (zh) * | 2020-04-28 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于检测车辆位姿的方法及装置 |
CN111860425A (zh) * | 2020-07-30 | 2020-10-30 | 清华大学 | 一种深度多模态跨层交叉融合方法、终端设备及存储介质 |
CN112101252A (zh) * | 2020-09-18 | 2020-12-18 | 广州云从洪荒智能科技有限公司 | 一种基于深度学习的图像处理方法、系统、设备及介质 |
CN112270709A (zh) * | 2020-11-12 | 2021-01-26 | Oppo广东移动通信有限公司 | 地图构建方法及装置、计算机可读存储介质和电子设备 |
CN113269040A (zh) * | 2021-04-25 | 2021-08-17 | 南京大学 | 结合图象识别与激光雷达点云分割的驾驶环境感知方法 |
WO2021212964A1 (zh) * | 2020-04-21 | 2021-10-28 | 上海商汤临港智能科技有限公司 | 定位方法及装置、电子设备和存储介质 |
CN116416586A (zh) * | 2022-12-19 | 2023-07-11 | 香港中文大学(深圳) | 基于rgb点云的地图元素感知方法、终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664974A (zh) * | 2018-04-03 | 2018-10-16 | 华南理工大学 | 一种基于rgbd图像与全残差网络的语义分割方法 |
CN109840463A (zh) * | 2017-11-27 | 2019-06-04 | 北京图森未来科技有限公司 | 一种车道线识别方法和装置 |
CN110243370A (zh) * | 2019-05-16 | 2019-09-17 | 西安理工大学 | 一种基于深度学习的室内环境三维语义地图构建方法 |
CN110298361A (zh) * | 2019-05-22 | 2019-10-01 | 浙江省北大信息技术高等研究院 | 一种rgb-d图像的语义分割方法和系统 |
-
2019
- 2019-12-23 CN CN201911333610.2A patent/CN110738200A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840463A (zh) * | 2017-11-27 | 2019-06-04 | 北京图森未来科技有限公司 | 一种车道线识别方法和装置 |
CN108664974A (zh) * | 2018-04-03 | 2018-10-16 | 华南理工大学 | 一种基于rgbd图像与全残差网络的语义分割方法 |
CN110243370A (zh) * | 2019-05-16 | 2019-09-17 | 西安理工大学 | 一种基于深度学习的室内环境三维语义地图构建方法 |
CN110298361A (zh) * | 2019-05-22 | 2019-10-01 | 浙江省北大信息技术高等研究院 | 一种rgb-d图像的语义分割方法和系统 |
Non-Patent Citations (3)
Title |
---|
刘智杰 等: "基于卷积神经网络的语义同时定位以及地图构建方法", 《科学技术与工程》 * |
徐国晟 等: "基于卷积神经网络的车道线语义分割算法", 《电子测量与仪器学报》 * |
胡美玉 等: "基于深度卷积神经网络的语义地图构建", 《机器人》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021212964A1 (zh) * | 2020-04-21 | 2021-10-28 | 上海商汤临港智能科技有限公司 | 定位方法及装置、电子设备和存储介质 |
CN111539973A (zh) * | 2020-04-28 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于检测车辆位姿的方法及装置 |
CN111539973B (zh) * | 2020-04-28 | 2021-10-01 | 北京百度网讯科技有限公司 | 用于检测车辆位姿的方法及装置 |
CN111860425A (zh) * | 2020-07-30 | 2020-10-30 | 清华大学 | 一种深度多模态跨层交叉融合方法、终端设备及存储介质 |
CN111860425B (zh) * | 2020-07-30 | 2021-04-09 | 清华大学 | 一种深度多模态跨层交叉融合方法、终端设备及存储介质 |
US11120276B1 (en) | 2020-07-30 | 2021-09-14 | Tsinghua University | Deep multimodal cross-layer intersecting fusion method, terminal device, and storage medium |
CN112101252A (zh) * | 2020-09-18 | 2020-12-18 | 广州云从洪荒智能科技有限公司 | 一种基于深度学习的图像处理方法、系统、设备及介质 |
CN112270709A (zh) * | 2020-11-12 | 2021-01-26 | Oppo广东移动通信有限公司 | 地图构建方法及装置、计算机可读存储介质和电子设备 |
CN112270709B (zh) * | 2020-11-12 | 2024-05-14 | Oppo广东移动通信有限公司 | 地图构建方法及装置、计算机可读存储介质和电子设备 |
CN113269040A (zh) * | 2021-04-25 | 2021-08-17 | 南京大学 | 结合图象识别与激光雷达点云分割的驾驶环境感知方法 |
CN116416586A (zh) * | 2022-12-19 | 2023-07-11 | 香港中文大学(深圳) | 基于rgb点云的地图元素感知方法、终端及存储介质 |
CN116416586B (zh) * | 2022-12-19 | 2024-04-02 | 香港中文大学(深圳) | 基于rgb点云的地图元素感知方法、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738200A (zh) | 车道线3d点云地图构建方法、电子设备及存储介质 | |
CN109087349B (zh) | 一种单目深度估计方法、装置、终端和存储介质 | |
Huang et al. | Deepmvs: Learning multi-view stereopsis | |
CN111583097A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN111951397A (zh) | 一种多机协同构建三维点云地图的方法、装置和存储介质 | |
CN112862877B (zh) | 用于训练图像处理网络和图像处理的方法和装置 | |
CN111739005B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN110706269B (zh) | 一种基于双目视觉slam的动态场景密集建模方法 | |
CN113378756B (zh) | 一种三维人体语义分割方法、终端设备及存储介质 | |
CN111028279A (zh) | 点云数据处理方法及装置、电子设备和存储介质 | |
CN111047630A (zh) | 神经网络和基于神经网络的目标检测及深度预测方法 | |
Holzmann et al. | Semantically aware urban 3d reconstruction with plane-based regularization | |
CN113486887B (zh) | 三维场景下的目标检测方法和装置 | |
CN114758337A (zh) | 一种语义实例重建方法、装置、设备及介质 | |
CN113781659A (zh) | 一种三维重建方法、装置、电子设备及可读存储介质 | |
CN111444923A (zh) | 自然场景下图像语义分割方法和装置 | |
CN115587987A (zh) | 一种蓄电池缺陷检测方法、装置、存储介质及电子设备 | |
CN114638866A (zh) | 一种基于局部特征学习的点云配准方法及系统 | |
CN117315406B (zh) | 一种样本图像处理方法、装置及设备 | |
CN114708475A (zh) | 一种用于3d场景理解的点云多模态特征融合网络方法 | |
CN116258756B (zh) | 一种自监督单目深度估计方法及系统 | |
CN116563807A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN115115577A (zh) | 一种基于混合感知的多阶段器官分割方法及装置 | |
CN110148086B (zh) | 稀疏深度图的深度补齐方法、装置及三维重建方法、装置 | |
CN111435448A (zh) | 图像显著性物体检测方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200131 |