Segment-Any-Point-Cloud

Segment-Any-Point-Cloud

视觉基础模型驱动的通用点云序列分割框架

Seal是一种自监督学习框架,通过利用视觉基础模型的知识来分割多样化的点云序列。该框架在表示学习阶段强调空间和时间一致性,实现了高效的跨模态知识迁移。Seal无需依赖2D或3D标注,直接从视觉模型中提取知识,展现出优秀的可扩展性、一致性和泛化能力。它可应用于各类点云数据集,包括真实与合成、高低分辨率、大小规模以及干净和受损数据。

点云分割自监督学习计算机视觉神经网络SealGithub开源项目
<p align="right">English | <a href="docs/README_CN.md">简体中文</a></p> <p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/f3c773b7-56df-47b1-9a7e-3585126ed2ba.png" align="center" width="44%"> <h3 align="center"><strong>通过蒸馏视觉基础模型来分割任意点云序列</strong></h3> <p align="center"> <a href="https://github.com/youquanl">刘友全</a><sup>1,*</sup>&nbsp;&nbsp;&nbsp; <a href="https://ldkong.com">孔令东</a><sup>1,2,*</sup>&nbsp;&nbsp;&nbsp; <a href="http://cen-jun.com">岑俊</a><sup>3</sup>&nbsp;&nbsp;&nbsp; <a href="https://scholar.google.com/citations?user=Uq2DuzkAAAAJ">陈润楠</a><sup>4</sup>&nbsp;&nbsp;&nbsp; <a href="http://zhangwenwei.cn">张文蔚</a><sup>1,5</sup><br> <a href="https://scholar.google.com/citations?user=lSDISOcAAAAJ">潘亮</a><sup>5</sup>&nbsp;&nbsp;&nbsp; <a href="http://chenkai.site">陈恺</a><sup>1</sup>&nbsp;&nbsp;&nbsp; <a href="https://liuziwei7.github.io">刘子畏</a><sup>5</sup> <br> <sup>1</sup>上海人工智能实验室&nbsp;&nbsp;&nbsp; <sup>2</sup>新加坡国立大学&nbsp;&nbsp;&nbsp; <sup>3</sup>香港科技大学&nbsp;&nbsp;&nbsp; <sup>4</sup>香港大学&nbsp;&nbsp;&nbsp; <sup>5</sup>南洋理工大学S-Lab </p> </p> <p align="center"> <a href="https://arxiv.org/abs/2306.09347" target='_blank'> <img src="https://img.shields.io/badge/论文-%F0%9F%93%83-purple"> </a> <a href="https://ldkong.com/Seal" target='_blank'> <img src="https://img.shields.io/badge/项目-%F0%9F%94%97-violet"> </a> <a href="https://youtu.be/S0q2-nQdwSs" target='_blank'> <img src="https://img.shields.io/badge/演示-%F0%9F%8E%AC-purple"> </a> <a href="" target='_blank'> <img src="https://img.shields.io/badge/中文版-%F0%9F%90%BC-violet"> </a> <a href="" target='_blank'> <img src="https://visitor-badge.laobi.icu/badge?page_id=youquanl.Segment-Any-Point-Cloud&left_color=gray&right_color=purple"> </a> </p>

Seal :seal:

Seal是一个多功能的自监督学习框架,能够通过利用现成的视觉基础模型(VFMs)知识,并在表示学习阶段鼓励这些知识的空间和时间一致性,来分割任何汽车点云。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/d7e3a853-c751-42ac-adad-4f8e91369fe6.jpg" align="center" width="95%"> </p>

:sparkles: 亮点

  • :rocket: 可扩展性: Seal直接将VFMs的知识蒸馏到点云中,在预训练过程中无需2D或3D的注释。
  • :balance_scale: 一致性: Seal在相机到LiDAR和点到分割阶段都强制执行空间和时间关系,促进跨模态表示学习。
  • :rainbow: 泛化性: Seal能以现成的方式将知识转移到涉及各种点云的下游任务中,包括真实/合成、低/高分辨率、大/小规模和干净/受损的数据集。

:oncoming_automobile: 2D-3D对应关系

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/cc0c5a32-f6b2-4df1-a7e0-e7043d9ddfc3.gif" align="center" width="95%"> </p>

:movie_camera: 视频演示

演示1演示2演示3
<img width="100%" src="https://yellow-cdn.veclightyear.com/835a84d5/72a6128e-1dc8-4cf1-9285-d54c27e4d468.jpg"><img width="100%" src="https://yellow-cdn.veclightyear.com/835a84d5/1c55139c-05dc-48a3-8e5b-987f2784c499.jpg"><img width="100%" src="https://yellow-cdn.veclightyear.com/835a84d5/90d2b11f-801b-4270-bdd2-00171a6d65ad.jpg">
链接 <sup>:arrow_heading_up:</sup>链接 <sup>:arrow_heading_up:</sup>链接 <sup>:arrow_heading_up:</sup>

更新

  • [2023.12] - 我们正在ICRA 2024上举办The RoboDrive Challenge。:blue_car:
  • [2023.09] - Seal被选为NeurIPS 2023的:sparkles:聚焦论文:sparkles:。
  • [2023.09] - Seal被接收到NeurIPS 2023!:tada:
  • [2023.07] - 我们发布了使用SLICSAMSEEM生成语义超像素和超点的代码。更多VFMs正在开发中!
  • [2023.06] - 我们的论文已在arXiv上发布,点击这里查看。代码将稍后发布!

大纲

安装

请参阅INSTALL.md了解安装详情。

数据准备

nuScenesSemanticKITTIWaymo OpenScribbleKITTI
<img width="115" src="https://yellow-cdn.veclightyear.com/835a84d5/d98650d8-d076-4b72-bb15-9a97faa4757e.png"><img width="115" src="https://yellow-cdn.veclightyear.com/835a84d5/ec19007d-e42f-4df0-b6e0-f7aff4e17977.png"><img width="115" src="https://yellow-cdn.veclightyear.com/835a84d5/00b86c34-ce2f-4243-8795-0f2e7fa4999f.png"><img width="115" src="https://yellow-cdn.veclightyear.com/835a84d5/d6411504-cf12-485b-bf6b-a5eddcbd4c1b.png">
RELLIS-3DSemanticPOSSSemanticSTFDAPS-3D
<img width="115" src="https://yellow-cdn.veclightyear.com/835a84d5/f90b77c6-6ed6-4858-a902-cfe3f5f7673b.png"><img width="115" src="https://yellow-cdn.veclightyear.com/835a84d5/3f724da6-e58d-4fff-9680-9beccb8d77ad.png"><img width="115" src="https://yellow-cdn.veclightyear.com/835a84d5/b95f7c66-e1e0-4cf9-ac18-04d175a5800e.png"><img width="115" src="https://yellow-cdn.veclightyear.com/835a84d5/ac988581-6e0a-4bc3-9acd-f352d9c587a0.png">
SynLiDARSynth4DnuScenes-C
<img width="115" src="https://yellow-cdn.veclightyear.com/835a84d5/5669b8c9-0cce-4334-a627-594703ad2002.png"><img width="115" src="https://yellow-cdn.veclightyear.com/835a84d5/2a8bdecf-5e87-43a8-b621-214d17d76b5e.png"><img width="115" src="https://yellow-cdn.veclightyear.com/835a84d5/03596e9f-004d-4fc3-904c-3d0bb39ca10d.png">

请参阅DATA_PREPARE.md了解准备这些数据集的详细信息。

超点生成

原始点云语义超点真实标注
<img src="https://yellow-cdn.veclightyear.com/835a84d5/c42a951e-5648-453e-a740-f4d5fec66377.gif" align="center" width="240"><img src="https://yellow-cdn.veclightyear.com/835a84d5/48597bac-f6e4-4e44-9e8d-1f2b924c208d.gif" align="center" width="240"><img src="https://yellow-cdn.veclightyear.com/835a84d5/973285cb-187c-42bd-ada3-225d03df555c.gif" align="center" width="240">
<img src="https://yellow-cdn.veclightyear.com/835a84d5/5a9ce7a2-a27d-4c08-ae58-0dbf80d8b05e.gif" align="center" width="240"><img src="https://yellow-cdn.veclightyear.com/835a84d5/88ad1a3f-1979-4878-9b43-c1e3223815de.gif" align="center" width="240"><img src="https://yellow-cdn.veclightyear.com/835a84d5/76e26073-1aa8-4b6b-8301-96da3cb69f12.gif" align="center" width="240">
<img src="https://yellow-cdn.veclightyear.com/835a84d5/7d4bf6c1-e626-42e6-809f-4355a3b6dd3a.gif" align="center" width="240"><img src="https://yellow-cdn.veclightyear.com/835a84d5/a83b7973-b713-4ad9-b0d5-c6d078832963.gif" align="center" width="240"><img src="https://yellow-cdn.veclightyear.com/835a84d5/95b6c36c-70c1-4832-b7b7-45c16a8c3e28.gif" align="center" width="240">
<img src="https://yellow-cdn.veclightyear.com/835a84d5/2e3024a3-303f-47fd-be1e-dd87a56b5992.gif" align="center" width="240"><img src="https://yellow-cdn.veclightyear.com/835a84d5/6b5c48cf-90b0-4a8a-94c6-267458ca0830.gif" align="center" width="240"><img src="https://yellow-cdn.veclightyear.com/835a84d5/4c042947-5957-4977-920b-4cbd74171e58.gif" align="center" width="240">

请参阅SUPERPOINT.md了解使用视觉基础模型生成语义超像素和超点的详细信息。

入门指南

请参阅GET_STARTED.md了解如何使用此代码库的更多信息。

主要结果

:unicorn: 框架概述

<img src="https://yellow-cdn.veclightyear.com/835a84d5/330f7787-4eb1-43d4-8164-35d81660a8b0.jpg" align="center" width="99%">
Seal :seal: 框架概览。我们为每个时间戳 t 的{LiDAR,相机}对和时间戳 t + n 的另一个 LiDAR 帧生成语义超像素和超点,通过 VFMs 实现。然后形成两个相关目标,包括配对 LiDAR 和相机特征之间的空间对比学习以及不同时间戳段之间的时间一致性正则化

:car: 余弦相似度

<img src="https://yellow-cdn.veclightyear.com/835a84d5/68096023-1b34-4f7a-9c53-f1da224bc34c.jpg" align="center" width="99%">
在我们的 Seal :seal: 框架中,查询点(红点)与使用 SLIC 和不同 VFMs 学习的特征之间的余弦相似度。从上到下示例中查询的语义类别分别是:"汽车"、"人造物"和"卡车"。颜色从紫色到黄色表示低到高的相似度分数。

:blue_car: 基准测试

<table class="center"> <tr> <th rowspan="2">方法</th> <th colspan="6">nuScenes</th> <th colspan="1">KITTI</th> <th colspan="1">Waymo</th> <th colspan="1">Synth4D</th> </tr> <tr> <td>LP</td> <td>1%</td> <td>5%</td> <td>10%</td> <td>25%</td> <td>全部</td> <td>1%</td> <td>1%</td> <td>1%</td> </tr> <tr> <td>随机</td> <td>8.10</td> <td>30.30</td> <td>47.84</td> <td>56.15</td> <td>65.48</td> <td>74.66</td> <td>39.50</td> <td>39.41</td> <td>20.22</td> </tr> <tr> <td>PointContrast</td> <td>21.90</td> <td>32.50</td> <td >-</td> <td>-</td> <td>-</td> <td>-</td> <td>41.10</td> <td>-</td> <td>-</td> </tr> <tr> <td>DepthContrast</td> <td>22.10</td> <td>31.70</td> <td>-</td> <td>-</td> <td>-</td> <td>-</td> <td>41.50</td> <td>-</td> <td>-</td> </tr> <tr> <td>PPKT</td> <td>35.90</td> <td>37.80</td> <td>53.74</td> <td>60.25</td> <td>67.14</td> <td>74.52</td> <td>44.00</td> <td>47.60</td> <td>61.10</td> </tr> <tr> <td>SLidR</td> <td>38.80</td> <td>38.30</td> <td>52.49</td> <td>59.84</td> <td>66.91</td> <td>74.79</td> <td>44.60</td> <td>47.12</td> <td>63.10</td> </tr> <tr> <td>ST-SLidR</td> <td>40.48</td> <td>40.75</td> <td>54.69</td> <td>60.75</td> <td>67.70</td> <td>75.14</td> <td>44.72</td> <td>44.93</td> <td>-</td> </tr> <tr> <td><strong>Seal :seal:</strong></td> <td>44.95</td> <td>45.84</td> <td>55.64</td> <td>62.97</td> <td>68.41</td> <td>75.60</td> <td>46.63</td> <td>49.34</td> <td>64.50</td> </tr> </table>

:bus: 线性探测

<img src="https://yellow-cdn.veclightyear.com/835a84d5/a84162d7-df28-4458-ab10-93fef47598af.gif" align="center" width="99%">
我们的 Seal :seal: 框架在 nuScenes 上预训练(不使用真实标签)并通过冻结骨干网络和线性分类头进行线性探测的定性结果。为突出差异,正确/错误的预测分别以灰色/红色显示。

:articulated_lorry: 下游泛化

<table class="center"> <tr> <th rowspan="2">方法</th> <th colspan="2">ScribbleKITTI</th> <th colspan="2">RELLIS-3D</th> <th colspan="2">SemanticPOSS</th> <th colspan="2">SemanticSTF</th> <th colspan="2">SynLiDAR</th> <th colspan="2">DAPS-3D</th> </tr> <tr> <td>1%</td> <td>10%</td> <td>1%</td> <td>10%</td> <td>半数</td> <td>全部</td> <td>半数</td> <td>全部</td> <td>1%</td> <td>10%</td> <td>半数</td> <td>全部</td> </tr> <tr> <td>随机</td> <td>23.81</td> <td>47.60</td> <td>38.46</td> <td>53.60</td> <td>46.26</td> <td>54.12</td> <td>48.03</td> <td>48.15</td> <td>19.89</td> <td>44.74</td> <td>74.32</td> <td>79.38</td> </tr> <tr> <td>PPKT</td> <td>36.50</td> <td>51.67</td> <td>49.71</td> <td>54.33</td> <td>50.18</td> <td>56.00</td> <td>50.92</td> <td>54.69</td> <td>37.57</td> <td>46.48</td> <td>78.90</td> <td>84.00</td> </tr> <tr> <td>SLidR</td> <td>39.60</td> <td>50.45</td> <td>49.75</td> <td>54.57</td> <td>51.56</td> <td>55.36</td> <td>52.01</td> <td>54.35</td> <td>42.05</td> <td>47.84</td> <td>81.00</td> <td>85.40</td> </tr> <tr> <td><strong>Seal :seal:</strong></td> <td>40.64</td> <td>52.77</td> <td>51.09</td> <td>55.03</td> <td>53.26</td> <td>56.89</td> <td>53.46</td> <td>55.36</td> <td>43.58</td> <td>49.26</td> <td>81.88</td> <td>85.90</td> </tr> </table>

:truck: 鲁棒性测试

初始化骨干网络mCEmRR湿运动光束交叉回声传感器
随机PolarNet115.0976.3458.2369.9164.8244.6061.9140.7753.6442.01
随机CENet112.7976.0467.0169.8761.6458.3149.9760.8953.3124.78
随机WaffleIron106.7372.7856.0773.9349.5959.4665.1933.1261.5144.01
随机Cylinder3D105.5678.0861.4271.0258.4056.0264.1545.3659.9743.03
随机SPVCNN106.6574.7059.0172.4641.0858.3665.3636.8362.2949.21
随机MinkUNet112.2072.5762.9670.6555.4851.7162.0131.5659.6439.41
PPKTMinkUNet105.6476.0664.0172.1859.0857.1763.8836.3460.5939.57
SLidRMinkUNet106.0875.9965.4172.3156.0156.0762.8741.9461.1638.90
Seal :seal:MinkUNet92.6383.0872.6674.3166.2266.1465.9657.4459.8739.85

:tractor: 定性评估

<img src="https://yellow-cdn.veclightyear.com/835a84d5/ce3a0b0f-e406-4fcf-b605-77324f7c7e41.jpg" align="center" width="99%">
Seal :seal: 和先前方法在 nuScenes 上预训练(不使用真实标签)并用 1% 标记数据微调后的定性结果。为突出差异,正确/错误的预测分别用灰色/红色表示。

待办事项

  • 初始发布。:rocket:
  • 添加许可证。详情请参见此处
  • 添加视频演示 :movie_camera:
  • 添加安装详情。
  • 添加数据准备详情。
  • 支持语义超像素生成。
  • 支持语义超点生成。
  • 添加评估详情。
  • 添加训练详情。

引用

如果您觉得这项工作有帮助,请考虑引用我们的论文:

@inproceedings{liu2023segment, title = {通过蒸馏视觉基础模型来分割任意点云序列}, author = {刘友全 and 孔令东 and 岑骏 and 陈润楠 and 张文伟 and 潘亮 and 陈凯 and 刘子为}, booktitle = {神经信息处理系统进展}, year = {2023}, }
@misc{liu2023segment_any_point_cloud, title = {分割任意点云代码库}, author = {刘友全 and 孔令东 and 岑骏 and 陈润楠 and 张文伟 and 潘亮 and 陈凯 and 刘子为}, howpublished = {\url{https://github.com/youquanl/Segment-Any-Point-Cloud}}, year = {2023}, }

许可证

<a rel="license" href="http://creativecommons.org/licenses/by-nc-sa/4.0/"><img alt="知识共享许可协议" style="border-width:0" src="https://yellow-cdn.veclightyear.com/835a84d5/c4db4d59-04bb-4be3-a9d1-6986aa96107d.png" /></a> <br /> 本作品采用<a rel="license" href="http://creativecommons.org/licenses/by-nc-sa/4.0/">知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议</a>进行许可。

致谢

本工作基于MMDetection3D代码库开发。

<img src="https://yellow-cdn.veclightyear.com/835a84d5/357e6788-74c1-4f23-8db3-42179f835868.png" width="30%"/><br> MMDetection3D是一个基于PyTorch的开源目标检测工具箱,面向下一代通用3D检测平台。它是由MMLab开发的OpenMMLab项目的一部分。

本代码库的部分内容改编自SLidRSegment AnythingX-DecoderOpenSeeDSegment Everything Everywhere All at OnceLaserMixRobo3D

:heart: 我们感谢上述开源仓库的卓越贡献!

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多