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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».