Resumen

Actualmente, existen muchos tipos de detectores de objetos 3D multisensor basados en voxel, mientras que los detectores de objetos 3D multisensor basados en puntos no han sido completamente estudiados. En este artículo, proponemos un nuevo método de detección de objetos 3D en dos etapas basado en la fusión de nube de puntos e imagen para mejorar la precisión de la detección. Para abordar el problema de la información semántica insuficiente de la nube de puntos, realizamos una fusión profunda multiescala de puntos LiDAR e imagen de cámara de manera puntual para mejorar las características de los puntos. Debido al desequilibrio de los puntos LiDAR, la nube de puntos de objetos en el área de larga distancia es escasa. Diseñamos un módulo de completación de nube de puntos para predecir la forma espacial de los objetos en las cajas candidatas y extraer la información estructural para mejorar la capacidad de representación de características y refinar aún más las cajas. El marco se evalúa en los ampliamente utilizados conjuntos de datos KITTI

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Basado en voxels; Multisensorial; Detectores de objetos 3D; Nube de puntos; Fusión de imágenes; Fusión profunda
• Keywords:Voxel-based; Multisensor; 3d object detectors; Point cloud; Image fusion; Deep fusion