Detail publikace
CNN for Very Fast Ground Segmentation in Velodyne LiDAR Data
Španěl Michal, Ing., Ph.D. (UPGM)
Hradiš Michal, Ing., Ph.D. (UPGM)
Herout Adam, prof. Ing., Ph.D. (UPGM)
convolutional neural networks, ground segmentation, Velodyne, LiDAR
Tento článek prezentuje novou metodu pro detekci země v mračnech bodů získaných senzorem Velodyne LiDAR. Článek navrhuje metodu překódování řídkého 3D mračna bodů, která umožňuje natrénovat konvoluční neuronovou síť pro segmentaci řídkých mračen na body země a ostatní body. Naměřené body z LiDARu jsou reprezentovány jako vícekanálový 2D signál, přičemž horizontální osa koresponduje s rotačním uhlem a vertikální osa s indexem laserového zářiče. Byly navrženy a natrénovány různé topologie konvolučních sítí (3-5 konvolučních vrstev), které byly porovnány pomocí ručně anotovaných dat, které jsme připravili. Výsledky ukazují značné zlepšení výkonu při porovnání se state-of-the-art metodou v rychlosti a také mírné zvýšení přesnosti.
@inproceedings{BUT157178,
author="Martin {Veľas} and Michal {Španěl} and Michal {Hradiš} and Adam {Herout}",
title="CNN for Very Fast Ground Segmentation in Velodyne LiDAR Data",
booktitle="IEEE International Conference on Autonomous Robot Systems and Competitions",
year="2018",
pages="97--103",
publisher="Institute of Electrical and Electronics Engineers",
address="Torres Vedras",
doi="10.1109/ICARSC.2018.8374167",
isbn="978-1-5386-5221-3",
url="https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8374167"
}