ترجمه فارسی مقاله TraIL-Det: شبکه های ویژگی محلی تغییر ناپذیر برای تشخیص اشیاء سه بعدی LiDAR با پیش آموزش بدون نظارت

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی TraIL-Det: Transformation-Invariant Local Feature Networks for 3D LiDAR Object Detection with Unsupervised Pre-Training
عنوان مقاله به فارسی TraIL-Det: شبکه های ویژگی محلی تغییر ناپذیر برای تشخیص اشیاء سه بعدی LiDAR با پیش آموزش بدون نظارت
نویسندگان Li Li, Tanqiu Qiao, Hubert P. H. Shum, Toby P. Breckon
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,Robotics,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین , روباتیک ,
توضیحات Submitted 25 August, 2024; originally announced August 2024. , Comments: BMVC 2024; 15 pages, 3 figures, 3 tables; Code at https://github.com/l1997i/rapid_seg , Journal ref: Brit. Mach. Vis. Conf. (BMVC 2024)
توضیحات به فارسی ارسال شده 25 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: BMVC 2024 ؛15 صفحه ، 3 شکل ، 3 جدول ؛کد در https://github.com/l1997i/rapid_seg ، مجله Ref: Brit.ماچvis.کنفرانس(BMVC 2024)
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

3D point clouds are essential for perceiving outdoor scenes, especially within the realm of autonomous driving. Recent advances in 3D LiDAR Object Detection focus primarily on the spatial positioning and distribution of points to ensure accurate detection. However, despite their robust performance in variable conditions, these methods are hindered by their sole reliance on coordinates and point intensity, resulting in inadequate isometric invariance and suboptimal detection outcomes. To tackle this challenge, our work introduces Transformation-Invariant Local (TraIL) features and the associated TraIL-Det architecture. Our TraIL features exhibit rigid transformation invariance and effectively adapt to variations in point density, with a design focus on capturing the localized geometry of neighboring structures. They utilize the inherent isotropic radiation of LiDAR to enhance local representation, improve computational efficiency, and boost detection performance. To effectively process the geometric relations among points within each proposal, we propose a Multi-head self-Attention Encoder (MAE) with asymmetric geometric features to encode high-dimensional TraIL features into manageable representations. Our method outperforms contemporary self-supervised 3D object detection approaches in terms of mAP on KITTI (67.8, 20% label, moderate) and Waymo (68.9, 20% label, moderate) datasets under various label ratios (20%, 50%, and 100%).

چکیده به فارسی (ترجمه ماشینی)

ابرهای نقطه سه بعدی برای درک صحنه های در فضای باز ، به ویژه در حوزه رانندگی خودمختار ضروری است.پیشرفت های اخیر در تشخیص شیء 3D LIDAR در درجه اول بر موقعیت مکانی و توزیع نقاط برای اطمینان از تشخیص دقیق متمرکز است.با این حال ، علیرغم عملکرد قوی آنها در شرایط متغیر ، این روش ها با اعتماد به نفس آنها به مختصات و شدت نقطه مانع می شوند و در نتیجه ناسازگار ایزومتریک ناکافی و نتایج تشخیص زیر حد متوسط ​​است.برای مقابله با این چالش ، کار ما ویژگی های محلی (TRAIL) و معماری Trail-Det را به نمایش می گذارد.ویژگی های دنباله ما دارای تغییر شکل سفت و سخت است و به طور مؤثر با تغییرات در چگالی نقطه سازگار است ، با تمرکز طراحی بر گرفتن هندسه موضعی سازه های همسایه.آنها از تابش ذاتی ایزوتروپیک LIDAR برای تقویت نمایندگی محلی ، بهبود راندمان محاسباتی و تقویت عملکرد تشخیص استفاده می کنند.برای پردازش مؤثر روابط هندسی بین نقاط در هر پیشنهاد ، ما یک رمزگذار خودت چند منظوره (MAE) با ویژگی های هندسی نامتقارن پیشنهاد می کنیم تا ویژگی های دنباله ای با ابعاد بالا را در بازنمودهای قابل کنترل رمزگذاری کنیم.روش ما از رویکردهای تشخیصی شیء 3D معاصر از نظر MAP در کیتی (67.8 ، 20 ٪ برچسب ، متوسط) و WAYMO (68.9 ، برچسب 20 ٪ ، متوسط) با توجه به نسبت برچسب های مختلف (20 ٪ ، 50 ٪ و و رویکردهای WAYMO (68.9 ، برچسب متوسط ​​، متوسط) بهتر است و100 ٪).

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.