Resumen

La deteccin de objetos tridimensionales basada en datos de nubes de puntos en la escena de conduccin no tripulada siempre ha sido un punto caliente de investigacin en la tecnologa de deteccin de conduccin no tripulada. Con el desarrollo y la madurez de la tecnologa de redes neuronales profundas, el mtodo de utilizar redes neuronales para detectar objetos tridimensionales empieza a mostrar grandes ventajas. Los resultados experimentales muestran que el desajuste entre las muestras de anclaje y de entrenamiento afectara a la precisin de la deteccin, pero no se ha resuelto bien. Las contribuciones de este trabajo son las siguientes. Por primera vez, se introduce la convolucin deformable en la red de deteccin de objetos de nubes de puntos, lo que mejora la adaptabilidad de la red a vehculos con diferentes direcciones y formas. En segundo lugar, se propone un mtodo de nueva generacin de anclaje en RPN, que puede prevenir eficazmente el desajuste entre el anclaje y la verdad del terreno y eliminar la prdida de clasificacin angular en la funcin de prdida. En comparacin con el mtodo ms avanzado, se mejoran los resultados de deteccin AP y AOS.

• 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