基于深度卷积网络在占据栅格地图中的目标检测与分类
计算机视觉与模式识别
2018-12-06 v2 机器人学
摘要
细致的环境感知是自动驾驶车辆的关键组成部分。然而，为处理所感知信息的数量，我们也需要分割策略。基于栅格地图环境表示（非常适于传感器融合、自由空间估计和机器学习），我们利用深度卷积神经网络检测和分类目标。作为网络的输入，我们使用高效编码三维距离传感器信息的多层栅格地图。推理输出包含一组带有语义类别的旋转边界框。我们进行了广泛的消融研究，强调了使用栅格地图时的重要设计考量，并在KITTI鸟瞰图基准上评估了我们的模型。定性与定量基准结果表明，仅使用来自距离传感器数据的顶视栅格地图，我们即可实现鲁棒检测并达到最优精度。
引用
@article{arxiv.1805.08689,
title = {Object Detection and Classification in Occupancy Grid Maps using Deep Convolutional Networks},
author = {Sascha Wirges and Tom Fischer and Jesus Balado Frias and Christoph Stiller},
journal= {arXiv preprint arXiv:1805.08689},
year = {2018}
}
备注
6 pages, 4 tables, 4 figures