Die Studie präsentiert einen lernbasierten Ansatz zur Schätzung der Höhe von Radarpunkten, um die Qualität von Radardaten für nachgelagerte Wahrnehmungsaufgaben wie Objekterkennung und Tiefenschätzung zu verbessern.
Der Ansatz verwendet eine Multi-Task-Lernstrategie, bei der neben der Höhenschätzung auch die Segmentierung des freien Raums trainiert wird. Dadurch wird verhindert, dass das Modell eine Vorhersagekarte mit ausschließlich Nullwerten erstellt.
Zur Adressierung der Herausforderungen bei der Regression dünn besetzter Ziele wird eine robuste Regressionsverlustfunktion eingeführt, die einen dynamischen Wichtungsfaktor verwendet. Dieser Faktor berücksichtigt die Bedeutung der einzelnen Pixel und führt zu einer erheblichen Verbesserung der Genauigkeit gegenüber herkömmlichen Verlustfunktionen.
Die geschätzten Höhenwerte werden verwendet, um die Radardaten vor der Weiterverarbeitung zu verfeinern. Durch die Integration dieser verbesserten Radardaten in bestehende Radar-Kamera-Fusionsmodelle wird deren Leistung bei Objekterkennung und Tiefenschätzung gesteigert.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Huawei Sun,H... at arxiv.org 04-10-2024
https://arxiv.org/pdf/2404.06165.pdfDeeper Inquiries