基于GPU拉斯特化的3D LiDAR模拟用于深度学习
Leon Denis1,2, Remco Royen1,2, Quentin Bolsée1,2
1Department of Electronics and Informatics (ETRO), Vrije Universiteit Brussel, Pleinlaan 2, 1050 Brussels, Belgium.
Sensors (Basel, Switzerland)
|October 14, 2023
概括
这项研究引入了一个GPU加速模拟器,用于为LiDAR等飞行时间传感器生成高质量的标记数据. 一个新的损失函数减少了对深度学习应用程序的注释需求.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 传感器技术 传感器技术
背景情况:
- 高质量的数据和注释对于深度学习至关重要,但获得它们是具有挑战性的.
- 飞行时间 (ToF) 传感器,包括LiDAR,需要特定的数据来进行有效的深度学习模型训练.
- 现有的数据生成方法可能耗时或与实时染引擎不兼容.
研究的目的:
- 介绍一款GPU加速模拟器,用于为任何飞行时间传感器生成高质量,完美标记的数据.
- 开发仿制独特传感器采样模式的通用算法.
- 为了减少深度学习应用程序的数据采集和注释负担.
主要方法:
- 使用GPU加速模拟器,利用3D图形管道进行高效的数据生成.
- 实施通用算法以准确复制传感器特定的采样模式.
- 引入一种新的损失函数,集成部分注释的真实数据,以弥合模拟与现实之间的差距.
主要成果:
- 模拟器显著减少数据生成时间,同时保持与实时染引擎的兼容性.
- 使用模拟数据训练的神经网络进行denoising和语义细分,验证了模拟器的有效性.
- 新的损失函数使得在真实数据中从未标记的类中学习,大大减少了注释工作.
结论:
- 开发的模拟器有效地解决了ToF传感器深度学习中的数据采集挑战.
- 该方法提供了一个可行的解决方案,用于创建大型,完美标记的数据集,这对于训练强大的深度学习模型至关重要.
- 通过新的损失函数集成模拟和真实数据,提高模型性能,减少手动注释要求.
