3D 视觉

G-PROBE: Cross-FOV Place Recognition and Certainty-Coupled Localization for 3D Point Clouds

G-PROBE：用于3D点云的跨视场位置识别和确定性耦合定位

Jinseop Lee

机构 * SK Intellix（SK智能科技） 纠错

专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV、cs.RO

AI总结 研究针对3D点云在有限或不对称视场下全局定位难的问题，提出G-PROBE框架。通过虚拟传感器分解、跨视场分支集合等方法，结合确定性耦合定位，无需学习。在多数据集和模式上评估，该框架性能出色，端到端可用性高，在不对称视场下优势明显。

Comments 18 pages, 9 figures

Self-Supervised Pretraining Improves Cross-Site and Cross-Scale Robustness of Point Cloud Leaf-Wood Segmentation

自监督预训练提高点云树叶-木材分割的跨站点和跨尺度鲁棒性

Heeju Mun, Tackang Yang, Yunsoo Nam, Changhyun Choi

机构 * Department of Landscape Architecture and Rural Systems Engineering, Seoul National University, Seoul, South Korea（景观建筑与乡村系统工程系，首尔国立大学，首尔，韩国） ； Interdisciplinary Program in Landscape Architecture, Seoul National University, South Korea（景观建筑跨学科项目，首尔国立大学，韩国） ； Integrated Major in Smart City Global Convergence, Seoul National University, Seoul, Republic of Korea（智能城市全球融合整合专业，首尔国立大学，首尔，韩国） ； Research Institute of Agriculture and Life Sciences, Seoul National University, Seoul, Republic of Korea（农业与生命科学研究院，首尔国立大学，首尔，韩国） 纠错

专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV

AI总结 研究树木点云树叶-木材分割方法跨森林类型和地点准确性差异问题，采用自监督预训练Point-M2AE并结合递归体素细分，提升了分割精度，在跨站点和跨尺度上表现良好，还改善了下游木材体积估计的性能。

Comments 30 pages, 10 figures

Rail Track Extraction from Rasterized Classified Point Clouds Using a Full-Resolution, Fully Convolutional Recurrent Neural Network

使用全分辨率全卷积递归神经网络从光栅化分类点云提取铁轨

Alexander Gribov, Jie Chang

机构 * Esri（环境系统研究所公司） 纠错

专题命中 点云 ：point cloud(title,abstract)；分类 cs.CV

AI总结 介绍利用全卷积递归神经网络从分类3D点云提取铁轨的新方法，先光栅化点，经神经网络、形态学操作、平滑处理等步骤，用动态时间规整算法找中心线，人工干预少，实验验证了该方法提取铁轨的有效性。

Comments 15 pages, 8 figures, 1 table

Dynamic Object Detection and Tracking in Construction: A Fisheye Camera and LiDAR Sensor Fusion Model

建筑中的动态目标检测与跟踪：一种鱼眼相机与激光雷达传感器融合模型

Yilong Chen, Huili Huang, Yong K. Cho

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 点云 ：3D vision(abstract)；point cloud(abstract)；分类 cs.CV、cs.RO

AI总结 针对建筑等复杂环境中机器人动态目标检测与跟踪问题，提出融合鱼眼相机与激光雷达传感器的框架，通过在配准点云里识别移动物体、投影坐标分配语义标签并结合图像检测更新卡尔曼滤波器观测，具有高精度、简单且鲁棒的特点。

Comments 4 pages, 8 figures, submitted to IEEE International Conference on Robotics and Automation (ICRA) 2025 Future of Construction Workshop

Any-Dimensional Learning by Sampling

通过采样进行任意维度学习

Eitan Levin, Venkat Chandrasekaran

机构 * Department of Statistics University of Chicago（统计学系芝加哥大学） ； Department of Computing and Mathematical Sciences Department of Electrical Engineering California Institute of Technology（计算与数学科学系电气工程系加州理工学院） 纠错

专题命中 点云 ：point cloud(abstract)

AI总结 研究不同大小输入的机器学习模型泛化及评估问题，提出用随机采样映射比较不同大小输入的统一方法，刻画各采样适用领域，为相关函数类给出泛化和草图绘制率