تحسين أداء الانحدار عند اكتشاف كائن ثلاثي الأبعاد أحادي العين باستخدام بيانات الخلط وبيانات فوكسل المتفرقة
| العنوان | تحسين أداء الانحدار عند اكتشاف كائن ثلاثي الأبعاد أحادي العين باستخدام بيانات الخلط وبيانات فوكسل المتفرقة |
|---|---|
| المؤلف | بالتكان، إرين، كيراك، مصطفى فرقان |
| تاريخ النشر: | 2021 |
| مكان النشر | - IEEE |
| الموضوع | الكشف عن الكائنات ثلاثية الأبعاد، خلط الصناديق، شبكة فوكسل المتفرقة، الالتفاف المتفرق الفرعي |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| معرف أصل المكتبة | 2-s2.0-85125842056 |
| رقم السجل | e5410971-9a53-4eca-9546-3bb861a86210 |
| موقع المكتبة | علوم الكمبيوتر |
| التاريخ | 2021 |
| نص عينة | يلعب الاكتشاف الدقيق والسريع للكائنات ثلاثية الأبعاد دورًا ذا أهمية قصوى للآلات المستقلة الآمنة والقادرة. لقد أظهرت الأساليب المستندة إلى السحابة النقطية بتقنية LiDAR نتائج مبهرة، إلا أن أجهزة استشعار LiDAR باهظة الثمن تجعل مثل هذه الأساليب غير مجدية للتكيف على نطاق واسع. ومن ناحية أخرى، فإن الأساليب المعتمدة على الكاميرا تؤدي أداءً دون المستوى الأمثل نظرًا لمتطلبات السلامة والدقة. تقليديًا، يتم إجراء اكتشاف الكائنات ثلاثية الأبعاد المستندة إلى الكاميرا عن طريق إنشاء سحب نقطية LiDAR زائفة من بيانات RGB-D واستخدام النماذج المستندة إلى السحابة النقطية، ومع ذلك، فإن الطبيعة غير المنتظمة لتمثيل بيانات السحابة النقطية تجعل من الصعب استغلال الارتباطات المحلية المكانية على الفضاء ثلاثي الأبعاد والنماذج المستندة إلى السحابة النقطية بشكل عام تعاني من هذا. ولتحقيق هذه الغاية، نقترح اكتشاف الكائنات ثلاثية الأبعاد المستندة إلى Sparse Voxel، ويختلف نهجنا عن الأساليب التقليدية عن طريق تحويل معلومات السحابة النقطية إلى شبكة فوكسل متفرقة واستخدام التلافيفات المتناثرة الفرعية لاستخراج المعلومات بدلاً من النماذج القائمة على PointNet. علاوة على ذلك، نقترح طبقات الخلط. يستبدل Bin-Mixing طبقة الإخراج للشبكة العصبية ويعزز الأداء من خلال تمثيل مشكلة الانحدار بطريقة يسهل على الشبكة تعلمها. |
| DOI | 10.1109/UBMK52708.2021.9558880 |
