在嵌入式处理器中使用语义兴趣区域生成与轻量级LiDAR集群进行高效的对象检测
Dongkyu Jung1, Taewon Chong2,3, Daejin Park1
1School of Electronic and Electrical Engineering, Kyungpook National University, Daegu 41566, Republic of Korea.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
本研究引入了一种使用轻量级系统进行3D物体检测的新方法. 它通过利用3D数据特征来增强2D卷积神经网络 (CNN) 对象检测,提高准确性和减少处理时间.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 卷积神经网络 (CNN) 在3D数据中被广泛用于对象检测.
- 基于3D数据的算法提供了稳定性,但需要大量的计算资源,限制了它们在嵌入式系统中的使用.
- 现有的2D CNN与照明变化作斗争,并需要复杂的处理3D数据.
研究的目的:
- 在轻量级嵌入式系统上开发一个计算高效的3D对象检测方法.
- 通过整合3D数据特征来提高2D CNN对象检测的准确性.
- 在不同的环境条件下克服传统的3D和2D物体检测方法的局限性.
主要方法:
- 预处理LiDAR点云数据并使用聚类来进行对象分离.
- 使用机器学习分类器从3D数据中提取语义检测的物理特征.
- 从检测到的3D对象生成2D图像区域,以执行2D CNN对象检测,绕过边界框跟踪.
主要成果:
- 拟议的模型在嵌入式板上使用YOLO v5实现了81.84%的准确性,超过了典型模型的1.92%.
- 在非最佳照明条件下表现出卓越的性能,在高亮度 (+40%) 中精度为47.41%,在低亮度 (-40%) 中精度为54.12%.
- 在具有挑战性的照明中,与一般模型相比,实现了显著的精度改进 (分别为8.97%和13.58%).
结论:
- 拟议的方法有效地利用3D数据特征来提高2D CNN对象检测在资源有限的环境中的准确性.
- 这种方法为纯粹基于3D数据的检测算法提供了一个更轻便的系统替代方案.
- 该技术在不同的照明条件下显示出强度,并减少了执行时间,使其适用于现实世界的嵌入式应用程序.
