没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
SqueezeSeg:基于循环 CRF 的卷积神经网络用于三维
激光雷达点云的实时道路目标分割
摘要
研究了三维激光雷达点云中道路目标的语义分割问题。我们尤其希望检测和分类感兴趣
的实例,比如汽车、行人和自行车。我们制定这个问题作为一个逐点分类的问题,并提出一
个端到端的管道称为 SqueezeSeg 基于卷积神经网络(CNN): CNN 需要改变激光雷达点云直接
输出作为输入,并逐点地标签地图,然后精制的条件随机场(CRF)实现为复发性层。然后用传
统的聚类算法获得实例级标签。我们的 CNN 模型是在 KITTI[1]数据集的激光雷达点云上训
练的,我们的点向分割标签是由 KITTI 的 3D 包围框派生出来的。为了获得额外的训练数据,
我们在热门视频游戏《侠盗猎车手 V》(Grand Theft Auto V, GTA-V)中构建了一个激光雷
达模拟器来合成大量真实的训练数据。实验表明,SqueezeSeg 具有惊人的速度和稳定的运
行时(每帧 8.7±0.5 ms),达到了很高的精度,非常适合自动驾驶。此外,对合成数据的培
训还可以提高对真实数据的验证准确性。我们的源代码是开源发布的。本文附有一个视频,
包含了对这项工作的高级介绍和演示。
1. 介绍
自主驾驶系统依赖于对环境的准确、实时和鲁棒感知。自动驾驶汽车需要精确地分类和
定位道路物体,我们将其定义为与驾驶相关的物体,如汽车、行人、自行车和其他障碍物。
不同的自主驾驶解决方案可能有不同的传感器组合,但 3D 激光雷达扫描仪是最常见的组件
之一。激光雷达扫描仪直接测量环境的距离,然后由车辆控制器和规划人员使用。此外,激
光雷达扫描仪在几乎所有的照明条件下都是强大的,无论是白天还是晚上,有或没有眩光和
阴影。因此,基于激光雷达的感知任务引起了人们的广泛关注。
在这项工作中,我们的重点是道路目标分割使用(Velodyne 风格)三维激光雷达点云。给
定激光雷达扫描仪的点云输出,任务的目标是分离感兴趣的对象并预测它们的类别,如图 1
所示。以前的方法包括或使用以下几个阶段的部分:删除基础,将剩余的点聚集到实例中,
从每个集群中提取(手工制作的)特性,并根据其特性对每个集群进行分类。这种模式,尽管它
的受欢迎程度[2],[3],[4],[5],有几个缺点:a)地面分割在上面的管道通常依赖于手工特性或决策
规则,一些方法依赖于一个标量阈值[6]和其他需要更复杂的特性,比如表面法线[7]或不变的
描述符[4],所有这些可能无法概括,后者需要大量的预处理。b)多级管道看到复合错误的聚合
资源评论
Oo_Edward_oO
- 粉丝: 3
- 资源: 4
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功