抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
高度自律運転に不可欠なLiDAR意味セグメンテーションは,モバイルプラットフォーム上で正確で,高速で,容易に展開する必要がある。以前の点ベースまたはスパースボクセルベースの方法は,時間のかかる隣接探索またはスパース3D畳込みが採用されるので,リアルタイムアプリケーションから遠く離れている。範囲ビューとマルチビュー融合を含む最近の2D投影ベースの方法は,リアルタイムで実行することができるが,2D投影の間の情報損失のためにより低い精度に悩まされる。そのうえ,性能を改良するために,以前の方法は,通常,試験時間増加(TTA)を採用して,それはさらに推論過程を減速する。より良い速度-精度トレードオフを達成するために,著者らはCascadeポイント-Grid融合ネットワーク(CPGNet)を提案して,それは主に次の2つの技術によって有効性と効率の両方を保証した。1)新しい点-Grid(PG)融合ブロックは,主に効率のための2D投影グリッドに関する意味的特徴を抽出し,一方,最小情報損失のために3Dポイントに関する2Dと3D特性の両方を要約した。2)提案した変換一貫性損失は,単一時間モデル推論とTTAの間のギャップを狭める。セマンティックKITTIとnuSceneベンチマークに関する実験は,アンサンブルモデルまたはTTAのないCPGNetが最先端のRPVNetに匹敵し,一方,4.7倍速いことを示した。【JST・京大機械翻訳】