当前位置: 首页 > article >正文

基于深度学习的点云三维目标检测方法综述

  1. 论文标题:基于深度学习的点云三维目标检测方法综述

  2. 作者:郭毅锋1,2†,吴帝浩1,魏青民1

  3. 发表日期: 2023 1

  4. 阅读日期 :2023 11 29

  5. 研究背景:点云作为一种三维环境数据因其具有较高的精度一直被广泛关注并应用于多种场景任务之中。近年来,深度学习进入点云领域,让点云数据处理得到快速发展。针对基于深度学习的点云三维目标检测任务,首先分析了点云数据的特性并列举了日常任务中常用的点云数据集;随后通过单模态的三维目标检测与多模态的三维目标检测两个方向进行分类阐述,并通过单模态与多模态方法在数据集上的表现作比对;最后对当前点云三维目标检测研究的发展趋势进行展望与总结。
    三维目标检测

  6. 方法和性质:
    2.1 单模态数据目标检测方法
    2.1.1 基于体素化的三维目标检测
    2.1.2 基于原始点云的三维目标检测
    2.1.3 基于体素与原始点云混合的点云三维目标检测
    2.2 多模态数据融合
    在这里插入图片描述

  7. 研究结果:
    单模态方法中,基于原始点云的检测方法准确率比基于体素的检测方法要高,因为点云经过体素化的下采样之后不可避免地丢失了点云的特征,而原始点云能保留更多目标的边界信息,所以能更准确地预测三维包围框信息。相对而言,基于点云与体素的混合目标检测方法结合了体素化方法具有较高运算效率和原始点云方法中丰富语义信息的优点,拥有不错的运算效率以及单模态方法中最高的准确率。
    图像加点云的多模态数据融合方法在三维目标检测任务中的表现暂时不如基于点云的单模态方法,其中有多方面的原因,如没能合理利用信息、特征融合困难、网络设计难度大等。但随着技术的不断发展,多模态的目标检测算法因为拥有比单模态方法更全面的信息而成为重要的发展方向。

  8. 创新点:

  9. 数据:
    1.2.1 室外数据集
    1)KITTI数据集
    2)Waymo数据集
    3)ApolloScape数据集
    4)Semantic3D
    5)KAIST数据集
    6)nuScenes数据集
    1.2.2 室内数据集
    1)SUNRGB-D数据集
    2)ShapeNetPart
    3)Multisensorialindoormappingandpositioningdataset
    4)NYU-Depth
    5)ScanNet
    6)SUN3D

  10. 结论:
    三维目标检测是点云数据应用中非常重要的研究领域之一,具有巨大的研究价值以及发展前景。近年来,由于深度学习融入点云的研究,让基于点云的三维目标检测算法一直处于快速发展阶段。本文首先介绍了点云的数据特点以及常用于研究的数据集;随后从基于单模态与多模态两个方向阐述了点云融合深度学习在三维目标检测任务中的运用;最后对未来点云在三维目标检测方向的发展研究提出展望。

  11. 挑战:
    1.1 三维点云数据特征
    1)无序性 点云数据是一组无序的向量集合,其输入的顺序会因设备采集方式、读入数据方式的不同而千差万别。
    2)非结构化 与二维图像数据不同,三维点云没有固定的存储结构。
    3)稀疏性 现实场景、物体表面形状等方面的差异让点云数据所具有的空间属性不尽相同。
    这些手工提取点云特征的方法主要依靠设计者大量实验得到的先验知识,同时缺少了对邻域中点与点之间关系的考虑,因此点云中存在的噪声对分类结果产生较大的影响,鲁棒性并不高。模型过度依赖研究人员手工设计的规则,只能对特定的场景表现出较好的适用性,

  12. 研究展望:
    a)多模态数据融合。
    b)充分利用点云。
    c)自监督学习

  13. 重要性:

  14. 写作方法:


http://www.kler.cn/news/149893.html

相关文章:

  • 算法基础之KMP算法
  • PHP连接数据库 错误抑制 三元运算符 学习资料
  • 解决PDF预览时,电子签章、日期等不显示问题
  • 基于springboot实现农机电招平台系统项目【项目源码+论文说明】计算机毕业设计
  • einj 注入内存ue/ce故障
  • 人工智能_机器学习055_拉格朗日乘子法_拉格朗日乘数法的原理介绍_流程详解---人工智能工作笔记0095
  • 团购生鲜系统丨分销丨外卖丨跑腿丨app小程序H5,源码交付,支持二开!
  • 轻松整合Knife4j:快速搭建Swagger文档界面与接口调试
  • 面试题背诵,回答的思路和模板,思路清晰
  • 【论文笔记】SDCL: Self-Distillation Contrastive Learning for Chinese Spell Checking
  • 基于LangChain实现的知识库问答工具Langchain-Chatchat
  • 数据库的增删查改(CRUD)基础版
  • C++面试的一些总结day1:指针和引用的区别
  • Spring Boot 在进行依赖注入时,使用了反射机制,类加载器-启动类拓展类-应用类加载器
  • 第二十章Java博客
  • Java学习笔记45——类的加载和反射机制
  • Android 13 - Media框架(14)- OpenMax(三)
  • 新王加冕,GPT-4V 屠榜视觉问答
  • Python---练习:求某同学成绩的总分及平均分
  • 二分查找(折半查找)探究学习
  • 常见的 QML 类型
  • MySQL之JDBC编程
  • 阿里巴巴矢量图标库的使用
  • calendar --- 日历相关函数
  • C++中的前缀和
  • Unity一些常用的接口
  • ubuntu 22.04版本修改时区的操作方法
  • 解密 sqli靶场第一关:一步一步学习 SQL 注入技术
  • 插入区间[中等]
  • 自定义中间件