Improved 3D Object Detector Under Snowfall Weather Condition Based on LiDAR Point Cloud
Notice bibliographique
Résumé
LiDAR sensors are now used to supplement structure information and depth information for 3D object detection in automated driving. In adverse weathers, however, LiDAR tends to collect many noisy points in rainy or snowy days, which may disturb the results of object detection. In order to enhance the performance of the detector, we improve existing LiDAR-only 3D object detectors from two aspects under real snow weather condition. Firstly, double-attention block including point-wise attention and channel attention is applied to reweight the input feature of stacked pillars for crucial information extraction. Secondly, a lightweight and effective global context based pillar feature refinement extraction block is employed to capture long-range contextual information. It aims to filter local noisy information in the feature map, especially for the data collected in adverse weather conditions. Moreover, most of the previous works tend to focus on dataset under normal weather condition, so driving scenarios in adverse weather will bring challenges to the generalization of the model. Hence, to adapt our network to diverse domains better, we design a maximum mean discrepancy (MMD) block to get the distribution of domain feature representations as well as calculate the MMD loss in training process. Accordingly, the distribution discrepancy of two domains is narrowed. The performance evaluated on Canadian Adverse Driving Condition (CADC) Dataset collected in snowfall weather condition and KITTI dataset verifies the improvement of our approach. Code is available athttps://github.com/jiajia0408/i3detector_snowfall.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».