Paintedpillars: Efficient 3D Object Detection Using Only StatisticalProcessing To Compute Pillar Features with Explicit Class Probability Distributions
Notice bibliographique
Résumé
In autonomous driving technology, high-speed and highly accurate three-dimensional object detection is necessary to accurately grasp the surrounding environment, and it is important to integrate information from multiple sensors.Conventional methods have performed 3D object detection by combining distance information from LiDAR (Light Detection And Ranging) and texture information from camera images, but there were issues with the amount of calculation and accuracy.Therefore, we propose a new method called PaintedPillars that explicitly assigns a class probability distribution to each pillar.Here, a pillar is a column-shaped space extending vertically into each division of a horizontal plane divided into a grid in a three-dimensional space.The proposed method, through statistical processing for each pillar, calculates class probability distributions from the semantic segmentation results of camera images, and obtains the spatial distribution of points from LiDAR data.In other words, the feature values for each pillar required for threedimensional object detection, that is, object type discrimination and bounding box estimation, are obtained using only statistical processing.The amount of calculation is proportional to the product of the number of points and the number of input channels, and does not depend on the number of output channels, so it is less than the conventional method using neural networks.Furthermore, the problem of reduced accuracy due to padding does not occur.Compared to the conventional PointPainting, experiments showed that the detection accuracy of the proposed method was 1 % higher, and the execution time and GPU memory usage were reduced to 33 % and 60 %, respectively, demonstrating its effectiveness.
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) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 ».