Outdoor Semantic Segmentation for UGVs Based on CNN and Fully Connected CRFs
Notice bibliographique
Résumé
This paper studies semantic segmentation in outdoor scene based on multi-sensor fusion data by unmanned ground vehicle (UGV). Laser, camera, and inertial navigation are fused into RGB-DI (RGB, depth and intensity) point cloud. Because of the speed change of the UGV in outdoor scene, laser scanning points in 3D space are distributed irregularly and unbalanced. It is difficult to extract features in point cloud to describe objects accurately. Therefore, this paper proposes a projection algorithm to generate a 2D RGB-DI image from the 3D RGB-DI point cloud so that the semantic segmentation in RGB-DI cloud points is transformed to the semantic segmentation in RGB-DI images. To adequately describe multiple objects in the RGB-DI images, a convolutional neural network (CNN) model is designed to extract abstract features. Since the fully connected CRF model takes into account the context of each object location in an RGB-DI image, the fully connected CRF model is used as a classifier to complete the semantic segmentation in the RGB-DI image. According to the corresponding relation between each point in the 3D point cloud and each pixel in the RGB-DI image, segmentation results in the RGB-DI image are mapped back to the original point clouds. Different datasets are used to evaluate our algorithms. Moreover, real-world experiments were applied to our UGV platform to show the practicability and validity of the proposed approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».