Upsampling Indoor LiDAR Point Clouds for Object Detection
Notice bibliographique
Résumé
As an emerging technology, LiDAR point cloud has been applied in a wide range of fields. \nWith the ability to recognize and localize the objects in a scene, point cloud object detection \nhas numerous applications. However, low-density LiDAR point clouds would degrade the \nobject detection results. Complete, dense, clean, and uniform LiDAR point clouds can \nonly be captured by high-precision sensors which need high budgets. Therefore, point \ncloud upsampling is necessary to derive a dense, complete, and uniform point cloud from \na noisy, sparse, and non-uniform one. \n \nTo address this challenge, we proposed a methodology of utilizing point cloud upsam pling methods to enhance the object detection results of low-density point clouds in this \nthesis. Specifically, we conduct three point cloud upsampling methods, including PU-Net, \n3PU, and PU-GCN, on two datasets, which are a dataset we collected on our own in an \nunderground parking lot located at Highland Square, Kitchener, Canada, and SUN-RGBD. \nWe adopt VoteNet as the object detection network. We subsampled the datasets to get \na low-density dataset to stimulate the point cloud captured by the low-budget sensors. \nWe evaluated the proposed methodology on two datasets, which are SUN RGB-D and \nthe collected underground parking lot dataset. PU-Net, 3PU, and PU-GCN increase the \nmean Average Precision (under the threshold of 0.25) by 18.8%,18.0%, and 18.7% on the \nunderground parking lot dataset and 9.8%, 7.2%, and 9.7% on SUN RGB-D.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».