Die Studie untersucht den Einsatz von kalibrierter LiDAR-Reflektivität zur Verbesserung der semantischen Segmentierung. Traditionelle Methoden konzentrieren sich hauptsächlich auf geometrische Merkmale, haben aber Schwierigkeiten in komplexen Offroad-Umgebungen.
Die Autoren entwickeln einen datengesteuerten Ansatz zur Kalibrierung der Nahbereichsintensität und zeigen, dass der Einsatz von Reflektivität als Eingabe die Leistung bestehender Modelle wie SalsaNext deutlich verbessert. Auf dem Rellis-3D-Datensatz für Offroad-Szenarien erreicht das Modell mit Reflektivität-Eingabe einen Anstieg des mittleren Intersection-over-Union (mIoU) um 4% im Vergleich zur Verwendung von Rohdaten-Intensität. Auch in urbanen Umgebungen (SemanticKITTI) liefert der Reflektivitäts-Ansatz bessere Ergebnisse.
Darüber hinaus untersuchen die Autoren den Einsatz von Reflektivität zur Verbesserung der Übertragbarkeit zwischen verschiedenen LiDAR-Sensoren. Die Ergebnisse zeigen, dass ein auf Ouster-Daten trainiertes Modell mit Reflektivität-Eingabe deutlich besser auf Velodyne-Daten übertragbar ist als ein Modell mit Intensität-Eingabe.
Egy másik nyelvre
a forrásanyagból
arxiv.org
Mélyebb kérdések