Resumen

La detección de objetos en 3D basada en datos de nube de puntos en el escenario de conducción autónoma siempre ha sido un tema candente en la tecnología de sensores de conducción autónoma. Con el desarrollo y la madurez de la tecnología de redes neuronales profundas, el método de utilizar una red neuronal para detectar objetivos tridimensionales comienza a mostrar grandes ventajas. Los resultados experimentales muestran que la falta de coincidencia entre el ancla y las muestras de entrenamiento afectaría la precisión de la detección, pero no se ha resuelto bien. Las contribuciones de este documento son las siguientes. Por primera vez, se introduce la convolución deformable en la red de detección de objetos de nube de puntos, lo que mejora la adaptabilidad de la red a vehículos con diferentes direcciones y formas. En segundo lugar, se propone un nuevo método de generación de ancla en RPN, que puede prevenir efectivamente la falta de coincidencia entre el ancla y la verdad de tierra y eliminar la pérdida de clasificación de ángulos en la función de pérdida. En comparación con el método de vanguardia, se mejoran el AP y el AOS de los resultados de detección.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Datos de nubes de puntos; Detección de objetos en 3d; Redes neuronales profundas; Convolución deformable; Generación de anclas; Precisión de la detección
• Keywords:Point cloud data; 3d object detection; Deep neural networks; Deformable convolution; Anchor generation; Detection accuracy