.png){kind=icon}
返回
LiDAR Sensor Parameter Augmentation and Data-Driven Influence Analysis on Deep-Learning-Based People Detection
.png){kind=icon}
OA
AI
DOI：10.3390/s25103114.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
激光雷达（LiDAR）传感器技术在行人检测中提供了显著的数据保护优势。然而，为了高效设计这些系统（兼顾成本与能耗），必须深入阐述测量数据与深度神经网络（DNNs）最终目标检测结果之间的关系。因此，本文提出增强方法，用于分析激光雷达传感器在真实点云中距离、分辨率、噪声和阴影参数对行人检测的影响。此外，还研究了这些参数对DNNs目标检测的影响。结果表明，在测量设置中，点云的质量要求可显著降低，仅在目标列表层面造成轻微退化。深度神经网络PointVoxel-Region-based Convolutional Neural Network（PV-RCNN）和Sparsely Embedded Convolutional Detection（SECOND）在分辨率降低至32倍因子、距离增加4倍因子、高斯噪声（μ=0，σ=0.07）条件下，目标检测性能仅下降不足5%。此外，两网络均要求从检测到的人体头部向下约0.5 m的未遮挡高度，以确保良好的行人检测性能，且无需针对此类情况进行特殊训练。所得结果（如阴影信息）被转移至软件程序中，依据传感器安装高度、传感器参数及所考察地面区域，确定进行点云级检测和目标检测所需的最小传感器数量及其朝向。
Keyword:
deep learning
LiDAR sensor
neural networks
people detection
point cloud
point cloud augmentation
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
PlantNet: A dual-function point cloud segmentation network for multiple plant speciesPlantNet: 一种适用于多种植物的双功能点云分割网络
.png){kind=icon}
PREAI
分享收藏VelObPoints: a Neural Network for Vehicle Object Detection and Velocity Estimation for Scanning LiDAR SensorsVelObPoints：一种用于扫描激光雷达传感器的车辆目标检测与速度估计的神经网络
PREAI
分享收藏3D-VField: Adversarial Augmentation of Point Clouds for Domain Generalization in 3D Object DetectionOAAI
OAAI分享收藏分享收藏
分享收藏Effects of Range-based LiDAR Point Cloud Density Manipulation on 3D Object Detection基于距离的LiDAR点云密度调整对3D目标检测的影响
PREAI
分享收藏
查看更多内容