訂閱
糾錯
加入自媒體
當前位置： OFweek 人工智能網(wǎng)   >  正文

LaserNet：一種高效的自動駕駛概率三維目標探測器

本文介紹了一種基于激光雷達數(shù)據(jù)的激光網(wǎng)絡(luò)自動駕駛?cè)S目標檢測方法——LaserNet。高效的處理結(jié)果來自于在傳感器的自然距離視圖中處理激光雷達數(shù)據(jù)。在激光雷達視場范圍內(nèi)的操作有許多挑戰(zhàn)，不僅包括遮擋和尺度變化，還有基于傳感器如何捕獲數(shù)據(jù)來提供全流程信息。

本文介紹的方法是使用一個全卷積網(wǎng)絡(luò)來預測每個點在三維物體上的多模態(tài)分布，然后有效地融合這些多模態(tài)分布來生成對每個對象的預測。實驗表明，把每個檢測建�？醋饕粋�分布，能獲得更好的整體檢測性能。基準測試結(jié)果表明，相比其他的檢測方法，本方法的運行時間更少；在訓練大量數(shù)據(jù)來克服視場范圍目標檢測問題上，本方法獲得最佳性能。

LaserNet通過以下幾個步驟實現(xiàn)三維檢測：

使用傳感器的固有范圍視場來構(gòu)建一個密集的輸入圖像；

圖像通過全卷積網(wǎng)絡(luò)生成一組預測；

對于圖像中的每個激光雷達點，預測一個類概率，并在俯視圖中對邊界框架進行概率分布回歸；

每個激光雷達點分布通過均值漂移聚類進行組合，以降低單個預測中的噪聲；

檢測器進行端到端訓練，在邊界框架上定義損失；

用一種新的自適應非最大抑制（NMS）算法來消除重疊的邊框分布。

上圖為深層聚合網(wǎng)絡(luò)架構(gòu)。列表示不同的分辨率級別，行表示聚合階段。

上圖為特征提取模塊（左）和特征聚合模塊（右）。虛線表示對特征圖進行了卷積。

1  2  下一頁>  
聲明： 本文由入駐維科號的作者撰寫，觀點僅代表作者本人，不代表OFweek立場。如有侵權(quán)或其他問題，請聯(lián)系舉報。

發(fā)表評論

共0條評論，0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁，請輸入驗證碼繼續(xù)

暫無評論

暫無評論

    掃碼關(guān)注公眾號
    OFweek人工智能網(wǎng)
    獲取更多精彩內(nèi)容
    文章糾錯
    x
    *文字標題：
    *糾錯內(nèi)容：
    聯(lián)系郵箱：
    *驗 證 碼：

    粵公網(wǎng)安備 44030502002758號