【博士论文】基于车载3D LiDAR的几何与语义场景理解深度学习研究

文章预览

基于车载3D LiDAR的几何与语义场景理解深度学习研究 3D LiDAR点云数据在计算机视觉、机器人学和自动驾驶中的场景感知中起着至关重要的作用。涉及3D点云的几何与语义场景理解是推动自动驾驶技术发展的关键。然而，仍然存在许多挑战，特别是在提高这些系统的整体准确性（如分割精度、深度估计精度等）和效率方面。 为了解决与LiDAR任务相关的准确性问题，我们提出了DurLAR，这是首个高保真128通道3D LiDAR数据集，具有全景环境（近红外）和反射率图像。利用DurLAR，超越了先前基准的数据集分辨率，我们着手解决单目深度估计任务。利用这种高分辨率但稀疏的真实场景深度信息，我们提出了一种新型的联合监督/自监督损失函数，大大提高了深度估计的精度。 为了在确保精度的同时提高3D分割的效率，我们提出了一种新颖的管道，采用更小的架构， ………………………………