| 文章来源：SD科技制造 计算机视觉life”，选择“星标” 快速获得最新干货 下面为大家分享一篇最新的开源工作，由爱丁堡大学MAPS Lab团队 （Chris Xiaoxuan Lu）与代尔夫特理工大学Intelligent Vehicle Group合作完成。该工作已被CVPR 2023接受，并入选为大会Highlight (所有提交论文的top 2.5%，235/9155)。 arXiv链接： https://arxiv.org/pdf/2303.00462.pdf 开源代码： https://github.com/Toytiny/CMFlow 项目主页： https://toytiny.github.io/publication/23-cmflow-cvpr/index.html Demo视频： https://youtu.be/PjKgznDizhI “该方法不需要使用任何人工标注来进行4D雷达场景流估计的学习，其表现超过了所有的基准方法，并可以支持下游的运动分割以及自运动估计任务。通过使用更多未标注的训练数据，它可以超过使用有限标注数据训练后的全监督方法。” 效果展示 a.场景流估计效果 b.运动分割效果 c.自运动估计效果
文章来源：SD科技制造 转载声明： 本文为转载发布，仅代表原作者或原平台观点或立场，不代表我方观点。亚太菁英传媒及旗下澳洲门户网(ozportal.tv)仅提供信息发布平台，文章或有适当删改。对转载有异议和删稿要求的原著方，可联络info@ozportal.tv。 |
