- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于全卷积神经网络的激光雷达-相机融合道路检测方法
摘要： 本研究开发了一种深度学习方法，通过融合激光雷达点云与相机图像实现道路检测。首先将非结构化稀疏点云投影至相机图像平面并进行上采样，获得一组编码空间信息的密集二维图像。随后训练多个全卷积神经网络（FCN）进行道路检测，分别采用单传感器数据或三种融合策略：早期融合、晚期融合以及新提出的交叉融合。前两种融合方式在预定义深度层级整合多模态信息，而交叉融合FCN通过激光雷达与相机处理分支间的可训练交叉连接，直接从数据中学习信息整合位置。为凸显多模态系统在道路检测中的优势，从KITTI原始数据集的驾驶序列中提取了包含视觉挑战场景的数据集。实验证明，纯相机FCN在该数据集上表现严重欠佳，而多模态系统仍能保持高精度。最终，所提交叉融合FCN在KITTI道路基准测试中取得优异性能，MaxF得分达96.03%，跻身顶尖方法之列。
关键词： 深度学习、道路检测、智能车辆、传感器融合
更新于2025-09-23 15:21:01
-
用于大动态范围测量的混合光纤折射仪分析与设计
摘要： 本文报道了由IEEE地球科学与遥感学会图像分析与数据融合技术委员会（IADF TC）主办的2015年数据融合竞赛成果。与往年一样，IADF TC组织数据融合竞赛旨在推动多源研究的新思路与解决方案。2015年度竞赛提出了涉及超高分辨率RGB图像（地面采样距离5厘米）和三维激光雷达点云（点云密度约65点/平方米）的多分辨率多传感器挑战。比赛分为二维与三维产品两个平行赛道进行。本部分B报告了三维竞赛获奖者的成果，其分别探索了道路提取与ISO集装箱识别的挑战性任务。二维竞赛部分及数据集详细介绍见部分A。
关键词： 光探测与测距（LiDAR）、甚高分辨率（VHR）数据、目标识别、多分辨率数据融合、多源数据融合、多模态数据融合、图像分析与数据融合（IADF）、道路检测
更新于2025-09-16 10:30:52