研究目的
利用2.5D卷积神经网络(CNN)对道路使用者预分割激光扫描数据进行分类研究,以应用于自动驾驶车辆领域。
研究成果
该研究表明,采用2.5D卷积神经网络结合距离与强度数据具有出色的分类能力。使用自动标注数据进行训练的效果与人工标注数据相当,这意味着可降低人工编辑成本。该方法可扩展至不同数据源,但需注意其泛化能力的差异。
研究不足
该研究受限于离散化的需求及额外维度导致的计算成本增加。数据集中连续点云帧间物体的相关性可能使结果产生偏差。不同数据集(如TUBS与KITTI)间的差异表明泛化存在挑战。
1:实验设计与方法选择:
本研究采用2.5D卷积神经网络(CNN)方法,利用距离和强度数据对激光扫描中的道路使用者进行分类。该CNN架构包含两个卷积层和两个全连接层。
2:5D卷积神经网络(CNN)方法,利用距离和强度数据对激光扫描中的道路使用者进行分类。该CNN架构包含两个卷积层和两个全连接层。
样本选择与数据来源:
2. 样本选择与数据来源:数据集包含120,000个自动标注的激光扫描(约150万个对象)和850个手动标注的扫描,涵盖七类道路使用者。
3:实验设备与材料清单:
使用Velodyne HDL-64E激光扫描仪进行环境感知。
4:实验流程与操作步骤:
分类过程在预分割的点云上进行,以对象的裁剪区域作为CNN输入。测试了不同的数据表示和归一化策略。
5:数据分析方法:
性能指标包括top-1准确率、平均类别准确率、精确率、召回率、f1分数、假阳性率(FPR)和真阴性率(TNR)。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容