社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

【博士论文】基于车载3D LiDAR的几何与语义场景理解深度学习研究

数据派THU • 4 天前 • 13 次点击  
来源:专知

本文约1000字,建议阅读5分钟

我们提出了一种新型的联合监督/自监督损失函数,大大提高了深度估计的精度。


基于车载3D LiDAR的几何与语义场景理解深度学习研究
3D LiDAR点云数据在计算机视觉、机器人学和自动驾驶中的场景感知中起着至关重要的作用。涉及3D点云的几何与语义场景理解是推动自动驾驶技术发展的关键。然而,仍然存在许多挑战,特别是在提高这些系统的整体准确性(如分割精度、深度估计精度等)和效率方面。
为了解决与LiDAR任务相关的准确性问题,我们提出了DurLAR,这是首个高保真128通道3D LiDAR数据集,具有全景环境(近红外)和反射率图像。利用DurLAR,超越了先前基准的数据集分辨率,我们着手解决单目深度估计任务。利用这种高分辨率但稀疏的真实场景深度信息,我们提出了一种新型的联合监督/自监督损失函数,大大提高了深度估计的精度。
为了在确保精度的同时提高3D分割的效率,我们提出了一种新颖的管道,采用更小的架构,所需的真实标签注释更少,同时在分割精度上超越了现有方法。这一创新通过一种新型的稀疏深度可分卷积(SDSC)模块得以实现,该模块显著减少了网络的参数量,同时保持了任务的整体性能。此外,我们还引入了一种新的时空冗余帧下采样(ST-RFD)方法,该方法利用传感器运动知识提取多样化的训练数据帧样本,从而提高计算效率。
此外,近年来在3D LiDAR分割方面的进展重点关注点云的空间定位和分布,以提高分割精度。然而,坐标和点强度的依赖性导致了性能的亚优表现和较差的等距不变性。为了提高分割精度,我们引入了基于距离感知的点距离分布特征(RAPiD)及其相关的RAPiD-Seg架构。这些特征展示了刚性变换不变性,并能适应点密度变化,专注于邻近结构的局部几何。利用LiDAR的各向同性辐射和语义分类,它们增强了局部表示和计算效率。
通过广泛的实验和定性分析,我们验证了方法的有效性。我们的方法在语义分割的mIoU和深度估计的RMSE上超越了现有的最先进技术(SoTA)。所有贡献已被同行评审的会议接受,进一步证明了我们在自动驾驶中3D LiDAR应用的准确性和效率方面的进展。



关于我们

数据派THU作为数据科学类公众号,背靠清华大学大数据研究中心,分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识,努力建设数据人才聚集平台、打造中国大数据最强集团军。




新浪微博:@数据派THU

微信视频号:数据派THU

今日头条:数据派THU


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/176399
 
13 次点击