用于 3D 超声数据语义分割的深度学习
计算机视觉与模式识别
2026-01-21 v1
摘要
开发兼具成本效益与可靠性的感知系统仍是自动驾驶面临的核心挑战。LiDAR 与基于摄像头的系统占据主导地位，但它们在恶劣条件下的成本、鲁棒性与性能之间存在权衡。本研究引入了一个基于学习的 3D 语义分割新框架，使用 Calyo Pulse——一种模块化、固态的 3D 超声传感器系统，适用于恶劣与杂乱环境。引入了 3D U-Net 架构并在空间超声数据上进行训练以实现体积分割。结果表明，Calyo Pulse 传感器实现了鲁棒的分割性能，并通过更大数据集、精细的真值与加权损失函数有望进一步提升。重要的是，本研究强调 3D 超声感知作为一种有前景的互补模态，有助于实现可靠的自动驾驶。
引用
@article{arxiv.2601.13263,
title = {Deep Learning for Semantic Segmentation of 3D Ultrasound Data},
author = {Chenyu Liu and Marco Cecotti and Harikrishnan Vijayakumar and Patrick Robinson and James Barson and Mihai Caleap},
journal= {arXiv preprint arXiv:2601.13263},
year = {2026}
}
备注
14 pages, 10 figures, 8 tables, presented at 2025 13th International Conference on Robot Intelligence Technology and Applications (RITA)