Traffic sign extraction using deep hierarchical feature learning and mobile light detection and ranging (LiDAR) data on rural highways
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The application of deep learning techniques on point cloud data holds significant promise for efficient data segmentation and classification of traffic signs. This study proposes modifications to the PointNet++ neural network to improve performance on outdoor scenes. In addition, the method leverages the use of local geometric features in the training process. Several models with different combinations of geometric features and proposed changes were trained using labeled data from seven highway segments in Alberta, Canada. The results indicate that the proposed models have improved performance in accuracy and processing times compared to previous studies on sign detection using point cloud data. The overall per sign detection performance shows a 99.2% recall (98% per point) and a 98% F1-score (97% per point). Overall, the inclusion of z-gradient significantly increased sign detection in terms of precision, recall, and F1-score, by 9%, 4.9%, and 7.1%, respectively, allowing the model to yield notable performance improvements for outdoor scene recognition. Ablation tests were performed to validate the performed PointNet++ modifications. The modified PointNet++ was compared with SqueezeSegV2, a state-of-the-art neural network designed for road-object segmentation, and showed improved performance. A comparison was also made with existing sign detection methods on the Paris-Lille-3D benchmark, finding higher recall rates than existing studies. The proposed approach suggests that with adjustments, the PointNet++ neural network architecture can achieve remarkable results on large metric scale scenes for sign extraction using point cloud data.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle