基于深度神经网络的单目标3D点云跟踪：应对高时变场景
机器学习
2024-08-08 v2 动力系统
摘要
点云的高时变性是3D单目标跟踪（3D SOT）的关键挑战。现有方法依赖假设点云形状变化以及相邻帧中物体运动均为平滑，从而难以应对高时变数据。在本文中，我们提出了一种用于处理高时变点云场景的3D SOT新框架，称为HVTrack。HVTrack提出了三个新组件以应对高时变场景中的挑战：1）相对姿态感知记忆模块以处理点云的时变形状变化；2）基底-扩展特征交叉注意力模块以处理在扩展搜索区域内的相似物体干扰；3）上下文点引导的自注意力模块用于抑制严重的背景噪声。我们通过在KITTI数据集上设置不同的帧间隔来构建高时变数据集（KITTI-HV）。在KITTI-HV上进行5帧间隔测试时，我们的HVTrack相对于最先进跟踪器CXTracker在成功率/精度方面分别提升了11.3%/15.7%。
引用
@article{arxiv.2408.02050,
title = {Recovering the state and dynamics of autonomous system with partial states solution using neural networks},
author = {Vijay Kag},
journal= {arXiv preprint arXiv:2408.02050},
year = {2024}
}