当前位置: 首页 > 歡迎您 > 足球比分007

足球比分007

时间:2020-03-28 20:25:42作者:Mckay

导语:足球比分007麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界
足球比分007

自动驾驶汽车的激光雷达传感器通过发出红外光脉冲,并测量它们从物体上弹回的时间,传感器创造点云,建立汽车周围环境的3D快照,从而帮助车辆行驶。理解原始的点云数据十分困难,而且在机器学习时代到来之前,需要训练有素的工程师明确他们希望手动捕获的特征。据外媒报道,麻省理工学院计算机科学与AI实验室(CSAIL)研究人员最新发表了一系列论文,表示可以利用深度学习自动处理3D成像应用的点云。

(图片来源:麻省理工学院)

论文资深作者之一,麻省理工学院教授Justin Solomon表示,“目前,90%的计算机视觉和机器学习仅涉及2D图像。我们的工作旨在帮助更好地表现3D世界,且不仅限于自动驾驶应用,还包括所有需要理解3D形状的领域。”

以前,大多数方法在从数据中获取点云的模式方面都不是特别成功,而这些数据是从空间中的3D点中获取有用信息所必需的。在该团队的一篇论文中,研究人员展示了他们分析点云的方法EdgeConv,通过使用动态图卷积神经网络,能够对单个对象进行分类和分割。丰田研究所(Toyota Research Institute)的机器学习科学家Wadim Kehl表示,“该算法通过构建相邻点的图,可以捕捉层级模式,从而推断出多种类型的通用信息,可供多种下游任务使用。”

此外,该团队还研究了点云处理的其他方面。例如,大多数传感器在3D世界中移动时会改变视角,每次对同一物体重新进行扫描时,物体的位置可能与上次看到的不同。要将多个点云合并成一个详细的世界视图,需要对齐多个3D点,这一过程称为“配准”(registration)。论文作者之一Yue Wang博士表示,“配准能使我们将来自不同来源的3D数据整合到一个共同的坐标系统。否则,我们无法从这些方法中获取有意义的信息。”

Solomon和Wang的第二篇论文演示了一种新的配准算法,称为DCP(Deep Closest Point,深度最近点),能更好地找到点云的可识别模式、点和边缘,以便与其他点云对齐。这对于自动驾驶汽车确定其在环境中的位置(定位)尤为重要。

DCP的一个局限性是其假设可以看到整个形状,而不仅是一面。这意味着DCP不能对齐物体形状的部分视图(称为“部分到部分配准”)。因此,在第三篇论文中,研究人员提出了一种改进的算法,称为部分配准网络(PRNet)。

Solomon表示,现有的3D数据与2D图像和照片相比,往往相当混乱、无结构化。Solomon的团队试图在没有大量机器学习技术需要的受控环境下,从混乱的3D数据中获取有意义的信息。DCP和PRNet标明,点云处理的一个关键方面是情境。点云A与点云B对齐所需的几何特征可能不同于将其与点云C对齐所需的特性。例如,在部分配准时,一个点云的形状的一部分可能在其他点云上是不可见的,因此无法用于配准。

Wang表示,该团队的工具已被计算机视觉领域和其他领域的许多研究人员使用。接下来,研究人员希望将这些算法应用于真实世界数据,包括从自动驾驶汽车收集的数据。Wang还表示,他们还计划使用自我监督学习,探索训练其系统的潜力,从而最小化所需的人类注释。

麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界

麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界

麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界,见下图

麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界

自动驾驶汽车的激光雷达传感器通过发出红外光脉冲,并测量它们从物体上弹回的时间,传感器创造点云,建立汽车周围环境的3D快照,从而帮助车辆行驶。理解原始的点云数据十分困难,而且在机器学习时代到来之前,需要训练有素的工程师明确他们希望手动捕获的特征。据外媒报道,麻省理工学院计算机科学与AI实验室(CSAIL)研究人员最新发表了一系列论文,表示可以利用深度学习自动处理3D成像应用的点云。

(图片来源:麻省理工学院)

论文资深作者之一,麻省理工学院教授Justin Solomon表示,“目前,90%的计算机视觉和机器学习仅涉及2D图像。我们的工作旨在帮助更好地表现3D世界,且不仅限于自动驾驶应用,还包括所有需要理解3D形状的领域。”

以前,大多数方法在从数据中获取点云的模式方面都不是特别成功,而这些数据是从空间中的3D点中获取有用信息所必需的。在该团队的一篇论文中,研究人员展示了他们分析点云的方法EdgeConv,通过使用动态图卷积神经网络,能够对单个对象进行分类和分割。丰田研究所(Toyota Research Institute)的机器学习科学家Wadim Kehl表示,“该算法通过构建相邻点的图,可以捕捉层级模式,从而推断出多种类型的通用信息,可供多种下游任务使用。”

此外,该团队还研究了点云处理的其他方面。例如,大多数传感器在3D世界中移动时会改变视角,每次对同一物体重新进行扫描时,物体的位置可能与上次看到的不同。要将多个点云合并成一个详细的世界视图,需要对齐多个3D点,这一过程称为“配准”(registration)。论文作者之一Yue Wang博士表示,“配准能使我们将来自不同来源的3D数据整合到一个共同的坐标系统。否则,我们无法从这些方法中获取有意义的信息。”

Solomon和Wang的第二篇论文演示了一种新的配准算法,称为DCP(Deep Closest Point,深度最近点),能更好地找到点云的可识别模式、点和边缘,以便与其他点云对齐。这对于自动驾驶汽车确定其在环境中的位置(定位)尤为重要。

DCP的一个局限性是其假设可以看到整个形状,而不仅是一面。这意味着DCP不能对齐物体形状的部分视图(称为“部分到部分配准”)。因此,在第三篇论文中,研究人员提出了一种改进的算法,称为部分配准网络(PRNet)。

Solomon表示,现有的3D数据与2D图像和照片相比,往往相当混乱、无结构化。Solomon的团队试图在没有大量机器学习技术需要的受控环境下,从混乱的3D数据中获取有意义的信息。DCP和PRNet标明,点云处理的一个关键方面是情境。点云A与点云B对齐所需的几何特征可能不同于将其与点云C对齐所需的特性。例如,在部分配准时,一个点云的形状的一部分可能在其他点云上是不可见的,因此无法用于配准。

Wang表示,该团队的工具已被计算机视觉领域和其他领域的许多研究人员使用。接下来,研究人员希望将这些算法应用于真实世界数据,包括从自动驾驶汽车收集的数据。Wang还表示,他们还计划使用自我监督学习,探索训练其系统的潜力,从而最小化所需的人类注释。

麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界

自动驾驶汽车的激光雷达传感器通过发出红外光脉冲,并测量它们从物体上弹回的时间,传感器创造点云,建立汽车周围环境的3D快照,从而帮助车辆行驶。理解原始的点云数据十分困难,而且在机器学习时代到来之前,需要训练有素的工程师明确他们希望手动捕获的特征。据外媒报道,麻省理工学院计算机科学与AI实验室(CSAIL)研究人员最新发表了一系列论文,表示可以利用深度学习自动处理3D成像应用的点云。

(图片来源:麻省理工学院)

论文资深作者之一,麻省理工学院教授Justin Solomon表示,“目前,90%的计算机视觉和机器学习仅涉及2D图像。我们的工作旨在帮助更好地表现3D世界,且不仅限于自动驾驶应用,还包括所有需要理解3D形状的领域。”

以前,大多数方法在从数据中获取点云的模式方面都不是特别成功,而这些数据是从空间中的3D点中获取有用信息所必需的。在该团队的一篇论文中,研究人员展示了他们分析点云的方法EdgeConv,通过使用动态图卷积神经网络,能够对单个对象进行分类和分割。丰田研究所(Toyota Research Institute)的机器学习科学家Wadim Kehl表示,“该算法通过构建相邻点的图,可以捕捉层级模式,从而推断出多种类型的通用信息,可供多种下游任务使用。”

此外,该团队还研究了点云处理的其他方面。例如,大多数传感器在3D世界中移动时会改变视角,每次对同一物体重新进行扫描时,物体的位置可能与上次看到的不同。要将多个点云合并成一个详细的世界视图,需要对齐多个3D点,这一过程称为“配准”(registration)。论文作者之一Yue Wang博士表示,“配准能使我们将来自不同来源的3D数据整合到一个共同的坐标系统。否则,我们无法从这些方法中获取有意义的信息。”

Solomon和Wang的第二篇论文演示了一种新的配准算法,称为DCP(Deep Closest Point,深度最近点),能更好地找到点云的可识别模式、点和边缘,以便与其他点云对齐。这对于自动驾驶汽车确定其在环境中的位置(定位)尤为重要。

DCP的一个局限性是其假设可以看到整个形状,而不仅是一面。这意味着DCP不能对齐物体形状的部分视图(称为“部分到部分配准”)。因此,在第三篇论文中,研究人员提出了一种改进的算法,称为部分配准网络(PRNet)。

Solomon表示,现有的3D数据与2D图像和照片相比,往往相当混乱、无结构化。Solomon的团队试图在没有大量机器学习技术需要的受控环境下,从混乱的3D数据中获取有意义的信息。DCP和PRNet标明,点云处理的一个关键方面是情境。点云A与点云B对齐所需的几何特征可能不同于将其与点云C对齐所需的特性。例如,在部分配准时,一个点云的形状的一部分可能在其他点云上是不可见的,因此无法用于配准。

Wang表示,该团队的工具已被计算机视觉领域和其他领域的许多研究人员使用。接下来,研究人员希望将这些算法应用于真实世界数据,包括从自动驾驶汽车收集的数据。Wang还表示,他们还计划使用自我监督学习,探索训练其系统的潜力,从而最小化所需的人类注释。

麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界

自动驾驶汽车的激光雷达传感器通过发出红外光脉冲,并测量它们从物体上弹回的时间,传感器创造点云,建立汽车周围环境的3D快照,从而帮助车辆行驶。理解原始的点云数据十分困难,而且在机器学习时代到来之前,需要训练有素的工程师明确他们希望手动捕获的特征。据外媒报道,麻省理工学院计算机科学与AI实验室(CSAIL)研究人员最新发表了一系列论文,表示可以利用深度学习自动处理3D成像应用的点云。

(图片来源:麻省理工学院)

论文资深作者之一,麻省理工学院教授Justin Solomon表示,“目前,90%的计算机视觉和机器学习仅涉及2D图像。我们的工作旨在帮助更好地表现3D世界,且不仅限于自动驾驶应用,还包括所有需要理解3D形状的领域。”

以前,大多数方法在从数据中获取点云的模式方面都不是特别成功,而这些数据是从空间中的3D点中获取有用信息所必需的。在该团队的一篇论文中,研究人员展示了他们分析点云的方法EdgeConv,通过使用动态图卷积神经网络,能够对单个对象进行分类和分割。丰田研究所(Toyota Research Institute)的机器学习科学家Wadim Kehl表示,“该算法通过构建相邻点的图,可以捕捉层级模式,从而推断出多种类型的通用信息,可供多种下游任务使用。”

此外,该团队还研究了点云处理的其他方面。例如,大多数传感器在3D世界中移动时会改变视角,每次对同一物体重新进行扫描时,物体的位置可能与上次看到的不同。要将多个点云合并成一个详细的世界视图,需要对齐多个3D点,这一过程称为“配准”(registration)。论文作者之一Yue Wang博士表示,“配准能使我们将来自不同来源的3D数据整合到一个共同的坐标系统。否则,我们无法从这些方法中获取有意义的信息。”

Solomon和Wang的第二篇论文演示了一种新的配准算法,称为DCP(Deep Closest Point,深度最近点),能更好地找到点云的可识别模式、点和边缘,以便与其他点云对齐。这对于自动驾驶汽车确定其在环境中的位置(定位)尤为重要。

DCP的一个局限性是其假设可以看到整个形状,而不仅是一面。这意味着DCP不能对齐物体形状的部分视图(称为“部分到部分配准”)。因此,在第三篇论文中,研究人员提出了一种改进的算法,称为部分配准网络(PRNet)。

Solomon表示,现有的3D数据与2D图像和照片相比,往往相当混乱、无结构化。Solomon的团队试图在没有大量机器学习技术需要的受控环境下,从混乱的3D数据中获取有意义的信息。DCP和PRNet标明,点云处理的一个关键方面是情境。点云A与点云B对齐所需的几何特征可能不同于将其与点云C对齐所需的特性。例如,在部分配准时,一个点云的形状的一部分可能在其他点云上是不可见的,因此无法用于配准。

Wang表示,该团队的工具已被计算机视觉领域和其他领域的许多研究人员使用。接下来,研究人员希望将这些算法应用于真实世界数据,包括从自动驾驶汽车收集的数据。Wang还表示,他们还计划使用自我监督学习,探索训练其系统的潜力,从而最小化所需的人类注释。

麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界

自动驾驶汽车的激光雷达传感器通过发出红外光脉冲,并测量它们从物体上弹回的时间,传感器创造点云,建立汽车周围环境的3D快照,从而帮助车辆行驶。理解原始的点云数据十分困难,而且在机器学习时代到来之前,需要训练有素的工程师明确他们希望手动捕获的特征。据外媒报道,麻省理工学院计算机科学与AI实验室(CSAIL)研究人员最新发表了一系列论文,表示可以利用深度学习自动处理3D成像应用的点云。

(图片来源:麻省理工学院)

论文资深作者之一,麻省理工学院教授Justin Solomon表示,“目前,90%的计算机视觉和机器学习仅涉及2D图像。我们的工作旨在帮助更好地表现3D世界,且不仅限于自动驾驶应用,还包括所有需要理解3D形状的领域。”

以前,大多数方法在从数据中获取点云的模式方面都不是特别成功,而这些数据是从空间中的3D点中获取有用信息所必需的。在该团队的一篇论文中,研究人员展示了他们分析点云的方法EdgeConv,通过使用动态图卷积神经网络,能够对单个对象进行分类和分割。丰田研究所(Toyota Research Institute)的机器学习科学家Wadim Kehl表示,“该算法通过构建相邻点的图,可以捕捉层级模式,从而推断出多种类型的通用信息,可供多种下游任务使用。”

此外,该团队还研究了点云处理的其他方面。例如,大多数传感器在3D世界中移动时会改变视角,每次对同一物体重新进行扫描时,物体的位置可能与上次看到的不同。要将多个点云合并成一个详细的世界视图,需要对齐多个3D点,这一过程称为“配准”(registration)。论文作者之一Yue Wang博士表示,“配准能使我们将来自不同来源的3D数据整合到一个共同的坐标系统。否则,我们无法从这些方法中获取有意义的信息。”

Solomon和Wang的第二篇论文演示了一种新的配准算法,称为DCP(Deep Closest Point,深度最近点),能更好地找到点云的可识别模式、点和边缘,以便与其他点云对齐。这对于自动驾驶汽车确定其在环境中的位置(定位)尤为重要。

DCP的一个局限性是其假设可以看到整个形状,而不仅是一面。这意味着DCP不能对齐物体形状的部分视图(称为“部分到部分配准”)。因此,在第三篇论文中,研究人员提出了一种改进的算法,称为部分配准网络(PRNet)。

Solomon表示,现有的3D数据与2D图像和照片相比,往往相当混乱、无结构化。Solomon的团队试图在没有大量机器学习技术需要的受控环境下,从混乱的3D数据中获取有意义的信息。DCP和PRNet标明,点云处理的一个关键方面是情境。点云A与点云B对齐所需的几何特征可能不同于将其与点云C对齐所需的特性。例如,在部分配准时,一个点云的形状的一部分可能在其他点云上是不可见的,因此无法用于配准。

Wang表示,该团队的工具已被计算机视觉领域和其他领域的许多研究人员使用。接下来,研究人员希望将这些算法应用于真实世界数据,包括从自动驾驶汽车收集的数据。Wang还表示,他们还计划使用自我监督学习,探索训练其系统的潜力,从而最小化所需的人类注释。

自动驾驶汽车的激光雷达传感器通过发出红外光脉冲,并测量它们从物体上弹回的时间,传感器创造点云,建立汽车周围环境的3D快照,从而帮助车辆行驶。理解原始的点云数据十分困难,而且在机器学习时代到来之前,需要训练有素的工程师明确他们希望手动捕获的特征。据外媒报道,麻省理工学院计算机科学与AI实验室(CSAIL)研究人员最新发表了一系列论文,表示可以利用深度学习自动处理3D成像应用的点云。

(图片来源:麻省理工学院)

论文资深作者之一,麻省理工学院教授Justin Solomon表示,“目前,90%的计算机视觉和机器学习仅涉及2D图像。我们的工作旨在帮助更好地表现3D世界,且不仅限于自动驾驶应用,还包括所有需要理解3D形状的领域。”

以前,大多数方法在从数据中获取点云的模式方面都不是特别成功,而这些数据是从空间中的3D点中获取有用信息所必需的。在该团队的一篇论文中,研究人员展示了他们分析点云的方法EdgeConv,通过使用动态图卷积神经网络,能够对单个对象进行分类和分割。丰田研究所(Toyota Research Institute)的机器学习科学家Wadim Kehl表示,“该算法通过构建相邻点的图,可以捕捉层级模式,从而推断出多种类型的通用信息,可供多种下游任务使用。”

此外,该团队还研究了点云处理的其他方面。例如,大多数传感器在3D世界中移动时会改变视角,每次对同一物体重新进行扫描时,物体的位置可能与上次看到的不同。要将多个点云合并成一个详细的世界视图,需要对齐多个3D点,这一过程称为“配准”(registration)。论文作者之一Yue Wang博士表示,“配准能使我们将来自不同来源的3D数据整合到一个共同的坐标系统。否则,我们无法从这些方法中获取有意义的信息。”

Solomon和Wang的第二篇论文演示了一种新的配准算法,称为DCP(Deep Closest Point,深度最近点),能更好地找到点云的可识别模式、点和边缘,以便与其他点云对齐。这对于自动驾驶汽车确定其在环境中的位置(定位)尤为重要。

DCP的一个局限性是其假设可以看到整个形状,而不仅是一面。这意味着DCP不能对齐物体形状的部分视图(称为“部分到部分配准”)。因此,在第三篇论文中,研究人员提出了一种改进的算法,称为部分配准网络(PRNet)。

Solomon表示,现有的3D数据与2D图像和照片相比,往往相当混乱、无结构化。Solomon的团队试图在没有大量机器学习技术需要的受控环境下,从混乱的3D数据中获取有意义的信息。DCP和PRNet标明,点云处理的一个关键方面是情境。点云A与点云B对齐所需的几何特征可能不同于将其与点云C对齐所需的特性。例如,在部分配准时,一个点云的形状的一部分可能在其他点云上是不可见的,因此无法用于配准。

Wang表示,该团队的工具已被计算机视觉领域和其他领域的许多研究人员使用。接下来,研究人员希望将这些算法应用于真实世界数据,包括从自动驾驶汽车收集的数据。Wang还表示,他们还计划使用自我监督学习,探索训练其系统的潜力,从而最小化所需的人类注释。

。足球比分007

自动驾驶汽车的激光雷达传感器通过发出红外光脉冲,并测量它们从物体上弹回的时间,传感器创造点云,建立汽车周围环境的3D快照,从而帮助车辆行驶。理解原始的点云数据十分困难,而且在机器学习时代到来之前,需要训练有素的工程师明确他们希望手动捕获的特征。据外媒报道,麻省理工学院计算机科学与AI实验室(CSAIL)研究人员最新发表了一系列论文,表示可以利用深度学习自动处理3D成像应用的点云。

(图片来源:麻省理工学院)

论文资深作者之一,麻省理工学院教授Justin Solomon表示,“目前,90%的计算机视觉和机器学习仅涉及2D图像。我们的工作旨在帮助更好地表现3D世界,且不仅限于自动驾驶应用,还包括所有需要理解3D形状的领域。”

以前,大多数方法在从数据中获取点云的模式方面都不是特别成功,而这些数据是从空间中的3D点中获取有用信息所必需的。在该团队的一篇论文中,研究人员展示了他们分析点云的方法EdgeConv,通过使用动态图卷积神经网络,能够对单个对象进行分类和分割。丰田研究所(Toyota Research Institute)的机器学习科学家Wadim Kehl表示,“该算法通过构建相邻点的图,可以捕捉层级模式,从而推断出多种类型的通用信息,可供多种下游任务使用。”

此外,该团队还研究了点云处理的其他方面。例如,大多数传感器在3D世界中移动时会改变视角,每次对同一物体重新进行扫描时,物体的位置可能与上次看到的不同。要将多个点云合并成一个详细的世界视图,需要对齐多个3D点,这一过程称为“配准”(registration)。论文作者之一Yue Wang博士表示,“配准能使我们将来自不同来源的3D数据整合到一个共同的坐标系统。否则,我们无法从这些方法中获取有意义的信息。”

Solomon和Wang的第二篇论文演示了一种新的配准算法,称为DCP(Deep Closest Point,深度最近点),能更好地找到点云的可识别模式、点和边缘,以便与其他点云对齐。这对于自动驾驶汽车确定其在环境中的位置(定位)尤为重要。

DCP的一个局限性是其假设可以看到整个形状,而不仅是一面。这意味着DCP不能对齐物体形状的部分视图(称为“部分到部分配准”)。因此,在第三篇论文中,研究人员提出了一种改进的算法,称为部分配准网络(PRNet)。

Solomon表示,现有的3D数据与2D图像和照片相比,往往相当混乱、无结构化。Solomon的团队试图在没有大量机器学习技术需要的受控环境下,从混乱的3D数据中获取有意义的信息。DCP和PRNet标明,点云处理的一个关键方面是情境。点云A与点云B对齐所需的几何特征可能不同于将其与点云C对齐所需的特性。例如,在部分配准时,一个点云的形状的一部分可能在其他点云上是不可见的,因此无法用于配准。

Wang表示,该团队的工具已被计算机视觉领域和其他领域的许多研究人员使用。接下来,研究人员希望将这些算法应用于真实世界数据,包括从自动驾驶汽车收集的数据。Wang还表示,他们还计划使用自我监督学习,探索训练其系统的潜力,从而最小化所需的人类注释。

自动驾驶汽车的激光雷达传感器通过发出红外光脉冲,并测量它们从物体上弹回的时间,传感器创造点云,建立汽车周围环境的3D快照,从而帮助车辆行驶。理解原始的点云数据十分困难,而且在机器学习时代到来之前,需要训练有素的工程师明确他们希望手动捕获的特征。据外媒报道,麻省理工学院计算机科学与AI实验室(CSAIL)研究人员最新发表了一系列论文,表示可以利用深度学习自动处理3D成像应用的点云。

(图片来源:麻省理工学院)

论文资深作者之一,麻省理工学院教授Justin Solomon表示,“目前,90%的计算机视觉和机器学习仅涉及2D图像。我们的工作旨在帮助更好地表现3D世界,且不仅限于自动驾驶应用,还包括所有需要理解3D形状的领域。”

以前,大多数方法在从数据中获取点云的模式方面都不是特别成功,而这些数据是从空间中的3D点中获取有用信息所必需的。在该团队的一篇论文中,研究人员展示了他们分析点云的方法EdgeConv,通过使用动态图卷积神经网络,能够对单个对象进行分类和分割。丰田研究所(Toyota Research Institute)的机器学习科学家Wadim Kehl表示,“该算法通过构建相邻点的图,可以捕捉层级模式,从而推断出多种类型的通用信息,可供多种下游任务使用。”

此外,该团队还研究了点云处理的其他方面。例如,大多数传感器在3D世界中移动时会改变视角,每次对同一物体重新进行扫描时,物体的位置可能与上次看到的不同。要将多个点云合并成一个详细的世界视图,需要对齐多个3D点,这一过程称为“配准”(registration)。论文作者之一Yue Wang博士表示,“配准能使我们将来自不同来源的3D数据整合到一个共同的坐标系统。否则,我们无法从这些方法中获取有意义的信息。”

Solomon和Wang的第二篇论文演示了一种新的配准算法,称为DCP(Deep Closest Point,深度最近点),能更好地找到点云的可识别模式、点和边缘,以便与其他点云对齐。这对于自动驾驶汽车确定其在环境中的位置(定位)尤为重要。

DCP的一个局限性是其假设可以看到整个形状,而不仅是一面。这意味着DCP不能对齐物体形状的部分视图(称为“部分到部分配准”)。因此,在第三篇论文中,研究人员提出了一种改进的算法,称为部分配准网络(PRNet)。

Solomon表示,现有的3D数据与2D图像和照片相比,往往相当混乱、无结构化。Solomon的团队试图在没有大量机器学习技术需要的受控环境下,从混乱的3D数据中获取有意义的信息。DCP和PRNet标明,点云处理的一个关键方面是情境。点云A与点云B对齐所需的几何特征可能不同于将其与点云C对齐所需的特性。例如,在部分配准时,一个点云的形状的一部分可能在其他点云上是不可见的,因此无法用于配准。

Wang表示,该团队的工具已被计算机视觉领域和其他领域的许多研究人员使用。接下来,研究人员希望将这些算法应用于真实世界数据,包括从自动驾驶汽车收集的数据。Wang还表示,他们还计划使用自我监督学习,探索训练其系统的潜力,从而最小化所需的人类注释。

麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界

自动驾驶汽车的激光雷达传感器通过发出红外光脉冲,并测量它们从物体上弹回的时间,传感器创造点云,建立汽车周围环境的3D快照,从而帮助车辆行驶。理解原始的点云数据十分困难,而且在机器学习时代到来之前,需要训练有素的工程师明确他们希望手动捕获的特征。据外媒报道,麻省理工学院计算机科学与AI实验室(CSAIL)研究人员最新发表了一系列论文,表示可以利用深度学习自动处理3D成像应用的点云。

(图片来源:麻省理工学院)

论文资深作者之一,麻省理工学院教授Justin Solomon表示,“目前,90%的计算机视觉和机器学习仅涉及2D图像。我们的工作旨在帮助更好地表现3D世界,且不仅限于自动驾驶应用,还包括所有需要理解3D形状的领域。”

以前,大多数方法在从数据中获取点云的模式方面都不是特别成功,而这些数据是从空间中的3D点中获取有用信息所必需的。在该团队的一篇论文中,研究人员展示了他们分析点云的方法EdgeConv,通过使用动态图卷积神经网络,能够对单个对象进行分类和分割。丰田研究所(Toyota Research Institute)的机器学习科学家Wadim Kehl表示,“该算法通过构建相邻点的图,可以捕捉层级模式,从而推断出多种类型的通用信息,可供多种下游任务使用。”

此外,该团队还研究了点云处理的其他方面。例如,大多数传感器在3D世界中移动时会改变视角,每次对同一物体重新进行扫描时,物体的位置可能与上次看到的不同。要将多个点云合并成一个详细的世界视图,需要对齐多个3D点,这一过程称为“配准”(registration)。论文作者之一Yue Wang博士表示,“配准能使我们将来自不同来源的3D数据整合到一个共同的坐标系统。否则,我们无法从这些方法中获取有意义的信息。”

Solomon和Wang的第二篇论文演示了一种新的配准算法,称为DCP(Deep Closest Point,深度最近点),能更好地找到点云的可识别模式、点和边缘,以便与其他点云对齐。这对于自动驾驶汽车确定其在环境中的位置(定位)尤为重要。

DCP的一个局限性是其假设可以看到整个形状,而不仅是一面。这意味着DCP不能对齐物体形状的部分视图(称为“部分到部分配准”)。因此,在第三篇论文中,研究人员提出了一种改进的算法,称为部分配准网络(PRNet)。

Solomon表示,现有的3D数据与2D图像和照片相比,往往相当混乱、无结构化。Solomon的团队试图在没有大量机器学习技术需要的受控环境下,从混乱的3D数据中获取有意义的信息。DCP和PRNet标明,点云处理的一个关键方面是情境。点云A与点云B对齐所需的几何特征可能不同于将其与点云C对齐所需的特性。例如,在部分配准时,一个点云的形状的一部分可能在其他点云上是不可见的,因此无法用于配准。

Wang表示,该团队的工具已被计算机视觉领域和其他领域的许多研究人员使用。接下来,研究人员希望将这些算法应用于真实世界数据,包括从自动驾驶汽车收集的数据。Wang还表示,他们还计划使用自我监督学习,探索训练其系统的潜力,从而最小化所需的人类注释。

自动驾驶汽车的激光雷达传感器通过发出红外光脉冲,并测量它们从物体上弹回的时间,传感器创造点云,建立汽车周围环境的3D快照,从而帮助车辆行驶。理解原始的点云数据十分困难,而且在机器学习时代到来之前,需要训练有素的工程师明确他们希望手动捕获的特征。据外媒报道,麻省理工学院计算机科学与AI实验室(CSAIL)研究人员最新发表了一系列论文,表示可以利用深度学习自动处理3D成像应用的点云。

(图片来源:麻省理工学院)

论文资深作者之一,麻省理工学院教授Justin Solomon表示,“目前,90%的计算机视觉和机器学习仅涉及2D图像。我们的工作旨在帮助更好地表现3D世界,且不仅限于自动驾驶应用,还包括所有需要理解3D形状的领域。”

以前,大多数方法在从数据中获取点云的模式方面都不是特别成功,而这些数据是从空间中的3D点中获取有用信息所必需的。在该团队的一篇论文中,研究人员展示了他们分析点云的方法EdgeConv,通过使用动态图卷积神经网络,能够对单个对象进行分类和分割。丰田研究所(Toyota Research Institute)的机器学习科学家Wadim Kehl表示,“该算法通过构建相邻点的图,可以捕捉层级模式,从而推断出多种类型的通用信息,可供多种下游任务使用。”

此外,该团队还研究了点云处理的其他方面。例如,大多数传感器在3D世界中移动时会改变视角,每次对同一物体重新进行扫描时,物体的位置可能与上次看到的不同。要将多个点云合并成一个详细的世界视图,需要对齐多个3D点,这一过程称为“配准”(registration)。论文作者之一Yue Wang博士表示,“配准能使我们将来自不同来源的3D数据整合到一个共同的坐标系统。否则,我们无法从这些方法中获取有意义的信息。”

Solomon和Wang的第二篇论文演示了一种新的配准算法,称为DCP(Deep Closest Point,深度最近点),能更好地找到点云的可识别模式、点和边缘,以便与其他点云对齐。这对于自动驾驶汽车确定其在环境中的位置(定位)尤为重要。

DCP的一个局限性是其假设可以看到整个形状,而不仅是一面。这意味着DCP不能对齐物体形状的部分视图(称为“部分到部分配准”)。因此,在第三篇论文中,研究人员提出了一种改进的算法,称为部分配准网络(PRNet)。

Solomon表示,现有的3D数据与2D图像和照片相比,往往相当混乱、无结构化。Solomon的团队试图在没有大量机器学习技术需要的受控环境下,从混乱的3D数据中获取有意义的信息。DCP和PRNet标明,点云处理的一个关键方面是情境。点云A与点云B对齐所需的几何特征可能不同于将其与点云C对齐所需的特性。例如,在部分配准时,一个点云的形状的一部分可能在其他点云上是不可见的,因此无法用于配准。

Wang表示,该团队的工具已被计算机视觉领域和其他领域的许多研究人员使用。接下来,研究人员希望将这些算法应用于真实世界数据,包括从自动驾驶汽车收集的数据。Wang还表示,他们还计划使用自我监督学习,探索训练其系统的潜力,从而最小化所需的人类注释。

麻省理工学院研究人员利用深度学习处理点云 让自动驾驶汽车更容易理解3D世界。足球比分007

标签:

分享到:

上一篇:首頁

下一篇:歡迎

足球比分007版权与免责声明:凡本网注明[来源:足球比分007]的所有文字、图片、音视和视频文件,版权均为足球比分007(xiaomai.mobi/hot/bgr2b/90736.html)独家所有。如需转载请与3171672752联系。任何媒体、网站或个人转载使用时须注明来源“足球比分007”,违反者本网将追究其法律责任。

本网转载并注明其他来源的稿件,均来自互联网或业内投稿人士,版权属于原版权人。转载请保留稿件来源及作者,禁止擅自篡改,违者自负版权法律责任。

联系我们

广告联系:3171672752
展会合作:3171672752
杂志投稿:3171672752

网站简介|会员服务|联系方式|帮助信息|版权信息|网站地图|友情链接|法律支持|意见反馈

版权所有 2019-2020 足球比分007(xiaomai.mobi/hot/bgr2b/90736.html)

  • 经营许可证
    粤B2-20150019

  • 粤ICP备
    14004826号

  • 不良信息
    举报中心

  • 网络110
    报警服务

网站客服热线

3171672752

网站问题客服

3171672752