Classification crédibiliste d'objets LIDAR en monde ouvert, par apprentissage profond
Résumé
We propose an evidential end-to-end deep neural network to classify LIDAR objects. The system is capable of classifying ambiguous and incoherent objects as unknown, while only having been trained on vehicles and vulnerable road users. This is achieved thanks to an evidential reformulation of generalized logistic regression classifiers, and an online filtering strategy based on statistical assumptions.
Nous proposons un système de classification crédibiliste d'objets LIDAR par apprentissage profond. L'algorithme proposé est basé sur une reformulation crédibiliste d'un perceptron multi-couche, ainsi que sur un mécanisme de filtrage statistique simple. Le système, qui n'est entraîné que sur une base d'usagers routiers, est cependant capable de classifier des objets incohérents vis-à-vis de ce jeu d'entraînement comme étant des objets inconnus.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...