Détection et localisation d'objets 3D par apprentissage profond en topologie capteur
Résumé
This work proposes a novel approach for detection and localisation of objects in 3D LiDAR scenes aquired via Mobile Mapping Systems. While this task is often treated on a voxel grid representations of the point cloud, our method offers to use the point cloud in sensor topology, thus avoiding a discretisation step. This representation of the point cloud is used as an input for a CNN that extracts 3D positions and dimensions of objects in the scene. As far objects in the scene tends to be mixed with the background when seen in the sensor topology, we offer to enhance the 3D detection by fusing the 3D predictions with 2D object detections performed on optical images.
Ce travail présente une nouvelle méthode pour la détection et la localisation d'objets dans des scènes 3D LiDAR acquises par des systèmes de cartographie mobile. Ce problème est généralement traité en discrétisant l'espace 3D en une fine grille de voxels. Nous introduisons une approche alternative ne nécessitant pas de discrétisation. Elle est basée sur la représentation en 2D du nuage de points en topologie capteur. Cette image sert d'entrée à un réseau de neurones convolutionnels qui en extrait les informations 3D des objets. La répresentation en topologie capteur présentant des ambiguïtés dans le fond de la scène, nous améliorerons les résultats de détection en couplant ce modèle avec un réseau de détection 2D d'objets sur une image optique. Les prédictions des deux réseaux sont finalement fusionnées pour obtenir les détections finales.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...