基于特征的点云数据目标检测模型选择
计算机视觉与模式识别
2022-09-27 v1 机器学习
摘要
利用三维（3D）图像传感器的智能监控在智慧城市背景下正受到关注。在智能监控中，通过3D图像传感器获取的点云数据目标检测被用于检测车辆和行人等移动物体以确保道路安全。然而，由于用作3D图像传感器的光探测与测距（LIDAR）单元的特性或3D图像传感器的安装位置，点云数据的特征是多样化的。尽管迄今为止已研究多种用于点云数据目标检测的深度学习（DL）模型，尚无研究考虑如何根据点云数据的特征使用多个DL模型。在本工作中，我们提出一种基于特征的模型选择框架，其通过使用多种DL方法并利用由两种人工技术（采样和加噪）生成的带伪不完整性的训练数据来创建各种DL模型。该框架根据真实环境中获取的点云数据特征，为对象检测任务选择最合适的DL模型。为证明所提框架的有效性，我们使用基于KITTI数据集创建的基准数据集比较多个DL模型的性能，并给出通过真实室外实验获得的目标检测示例结果。根据情况不同，DL模型间的检测精度差异可达32%，这证实了根据情况选择合适DL模型的重要性。
引用
@article{arxiv.2209.12419,
title = {Feature-based model selection for object detection from point cloud data},
author = {Kairi Tokuda and Ryoichi Shinkuma and Takehiro Sato and Eiji Oki},
journal= {arXiv preprint arXiv:2209.12419},
year = {2022}
}
备注
Submitted to IEICE Transactions on Communications