对于旋转激光传感器的点云实例分割

科学领域:

• 计算机视觉 计算机视觉
• 机器人技术 机器人技术 机器人技术
• 机器学习 机器学习

背景情况:

• 点云细分对于3D场景的理解至关重要.
• 传统的方法与点云数据的非结构化和高维性质作斗争.
• 深度学习 (DL) 具有潜力,但在点云数据方面面临挑战.

研究的目的:

• 从旋转激光传感器开发一种新的深度学习方法,用于从旋转激光传感器进行3D点云细分.
• 解决点云中非结构化数据和高维度的挑战.
• 提出一种基于2D的细分方法,没有明确的3D再投影.

主要方法:

• 利用最先进的二维视觉模型进行细分,利用本地二维传感器网格.
• 集成范围信息以确保3D精度.
• 利用多个传感器通道:范围,反射率和环境照明.
• 推出了一种新的,自动化的数据挖掘管道,用于3D扫描注释.
• 介绍了一个新的公共数据集,保留了原生传感器结构和多道信息.

主要成果:

• 在点云细分方面实现了最先进的性能.
• 证明了具有竞争力的推理时间.
• 提供了一项新的废弃研究,分析了不同传感器通道的贡献.
• 验证了2D视角方法对3D细分的有效性.

结论:

• 拟议的2D视角深度学习方法有效地从旋转的激光传感器中分割3D点云.
• 利用多道数据和新的注释管道显著提高了细分的准确性和效率.
• 这项工作为3D点云处理提供了一个新的方向,没有明确的3D再投影.