如何为航空公司网站制定有效的品牌推广策略？

机票什么网站建设,品牌推广营销,拱墅区网站建设,企业网站建设的方法有哪些一、论文 研究领域#xff1a; 城市级3D语义分割论文#xff1a;Efficient Urban-scale Point Clouds Segmentationwith BEV Projection论文链接 注#xff1a; BEV#xff1a; Birds Eye View BEV投影是指鸟瞰视角(Birds Eye View,简称BEV)的一种从上方观看对象或场景的…一、论文 研究领域 城市级3D语义分割论文Efficient Urban-scale Point Clouds Segmentationwith BEV Projection论文链接 注 BEV Birds Eye View BEV投影是指鸟瞰视角(Birds Eye View,简称BEV)的一种从上方观看对象或场景的视角就像鸟在空中俯视地面一样。在自动驾驶和机器人领域通过传感器(如LiDAR和摄像头)获取的数据通常会被转换成BEV表示以便更好地进行物体检测、路径规划等 。 二、论文概要 与其他已发表方法的比较结果。我们使用ResNet-34和HRNet实现了我们的模型这两个模型都在SensatUrban数据集上实现了具有竞争力的平均IoU和整体准确性。 请注意由于无法访问测试集标签我们的结果是在验证集上计算的而其他模型的结果由数据集发布者提供并使用测试数据进行评估。 图二.3D-2D任务转移过程概述。 1、城市规模的点云地图被预先划分成边长小于400米的网格。 2、我们进一步生成了25× 25 m2的正方形放大倍数为20倍。 3、2D分割输出将根据其x/y坐标重新映射到大型3D标测图。 空间重叠率统计结果。x轴表示滑动窗口1m×1m的点数排名前0%表示点数最多的窗口。y轴指示投影到BEV图像上的点的重叠比。 三、论文全文 基于BEV投影的城市尺度点云高效分割 摘要近年来点云分析已经吸引了研究人员的目光而3D语义分割仍然是一个问题。大多数深度点云模型直接在3D点云上进行学习这将受到城市规模数据严重稀疏和极端数据处理负载的影响。为了解决这一挑战我们建议将三维点云转移到密集的鸟瞰图投影。在这种情况下由于类不平衡减少和利用各种2D分割方法的可行性分割任务被简化。我们进一步设计了一个基于注意力的融合网络可以对投影图像进行多模态学习。最后2D输出被重新映射以生成3D语义分割结果。为了证明我们的方法的好处我们在SensatUrban数据集上进行了各种实验其中我们的模型呈现出竞争力的评估结果61.17% mIoU和91.37% OverallAccuracy。我们希望我们的工作可以启发进一步探索点云分析。 介绍 3D语义分割是点云学习的关键技术其目的是为每个单独的点数据分配语义标签已广泛应用于自动驾驶[1]虚拟现实[2]3D重建[3]等。虽然深度学习在2D语义分割任务中表现突出但它无法直接处理不规则无序和非结构化的点数据[4]。因此目前有几种方法[5]-[11]将非结构化点转换为某些有效的中间表示例如体素[7][12]和多视图[10][13][14]以利用经典CNN模型处理点云。随着对三维场景理解需求的不断增加提出了越来越多的三维点云数据集。从室内数据集例如S3DIS [15]和ScanNet [16]到道路级数据集例如SemanticKITTI [17]数据集的空间大小也更大。最近的工作[3][18]提出了城市级数据集为大规模数据集的语义分割带来了一些新的挑战。 室内数据集例如S3DIS [15]和ScanNet [16]道路级数据集例如SemanticKITTI [17]数据集的空间大小也更大[3][18]提出了城市级数据集 与基于LiDAR的数据集不同这些城市规模的点云大多是从无人机摄影测量中获得的这可能导致数据集中的以下特征。首先无人机摄影测量的扫描不均匀扫描区域不集中捕获的图像边缘有散乱的区域。其次重建的点云部分缺失。我们在SensatUrban [3]数据集中观察到这种现象一个典型的例子是在对点云进行可视化后屋顶下没有对应的墙点这使得屋顶似乎悬浮在空中。有趣的是我们发现基于无人机的点云中垂直点的类别重叠率较低例如SensatUrban为2.3%这意味着鸟瞰图是一种合适的投影方法它更简单更有效并且能够最大限度地保留点细节。 此外对于投影图像具有更丰富标记的2D像素级数据集可以用于预训练。因此在本文中我们提出了一个BEV投影分割方法来处理城市规模的三维分割问题。