خوارزميات الكشف عن الكائنات

خوارزميات اكتشاف الكائنات: تحدد هذه الخوارزميات الكائنات محل الاهتمام في بيانات السحابة النقطية، مثل السيارات أو المشاة أو إشارات المرور.

تطبيق خوارزميات الكشف عن الكائنات السحابية ذات النقطة Lidar.
تُستخدم خوارزميات الكشف عن الكائنات السحابية بنقاط Lidar على نطاق واسع في مجالات مختلفة، مثل الروبوتات والمركبات ذاتية القيادة والتخطيط الحضري. تستخدم تقنية Lidar الليزر لإنشاء سحابة نقطية ثلاثية الأبعاد للبيئة، والتي توفر معلومات مفصلة حول موضع الكائنات وشكلها. يتم بعد ذلك تطبيق خوارزميات اكتشاف الكائنات على بيانات السحابة النقطية لتحديد وتصنيف الكائنات مثل السيارات والمشاة والمباني. يمكن استخدام هذه الخوارزميات لمجموعة من التطبيقات، بدءًا من تجنب العوائق في المركبات ذاتية القيادة وحتى التخطيط الحضري ورسم الخرائط. من خلال الكشف الدقيق عن الكائنات وتصنيفها في بيانات السحابة النقطية، تتيح خوارزميات Lidar للكشف عن الكائنات السحابية النقطية للآلات إمكانية إدراك العالم من حولها والتنقل فيه بشكل أكثر فعالية.

فيما يلي عشر مكتبات شائعة لخوارزميات اكتشاف الكائنات السحابية ذات النقاط LiDAR، بالإضافة إلى عناوين URL للتنزيل والأوصاف الموجزة الخاصة بها:

1. Open3D-ML (https://github.com/isl-org/Open3D-ML): Open3D-ML هي مكتبة مفتوحة المصدر لمهام التعلم الآلي ثلاثية الأبعاد مثل اكتشاف الكائنات السحابية النقطية بتقنية LiDAR. إنه مبني على Open3D وPyTorch، ويتضمن وحدات مختلفة مثل المعالجة المسبقة للبيانات، واستخراج الميزات، والتدريب على النماذج.
2. PyTorch3D (https://github.com/facebookresearch/pytorch3d): PyTorch3D هي مكتبة شعبية مفتوحة المصدر لمهام التعلم العميق ثلاثية الأبعاد بما في ذلك اكتشاف الكائنات السحابية بنقطة LiDAR. يتضمن مجموعة متنوعة من الأدوات لإنشاء نماذج ثلاثية الأبعاد وعرضها وتنفيذ العمليات الهندسية.
3. PointPillars (https://github.com/nutonomy/ Second.pytorch): PointPillars عبارة عن خوارزمية LiDAR للكشف عن الكائنات السحابية النقطية التي تستخدم تمثيلًا متناثرًا للسحب النقطية. حققت هذه الخوارزمية أداءً متطورًا في مجموعة بيانات KITTI المعيارية.
4. SECOND (https://github.com/nutonomy/ Second.pytorch): SECOND عبارة عن خوارزمية أخرى للكشف عن الكائنات السحابية النقطية LiDAR والتي تستخدم تقنية voxelization مشابهة لـ PointPillars. وهو يتضمن مجموعة متنوعة من أدوات المعالجة المسبقة وما بعد المعالجة، وقد حقق أيضًا أداءً متطورًا في مجموعة بيانات KITTI.
5. PointNet (https://github.com/charlesq34/pointnet): PointNet عبارة عن بنية تعلم عميق شائعة لمعالجة البيانات السحابية النقطية، بما في ذلك السحب النقطية LiDAR. ويتضمن أدوات للمعالجة المسبقة واستخراج الميزات ومهام التصنيف.
6. VoxelNet (https://github.com/qianguih/voxelnet): VoxelNet عبارة عن خوارزمية للكشف عن الكائنات السحابية النقطية بتقنية LiDAR والتي تستخدم التلافيفات ثلاثية الأبعاد ومعالجة البيانات السحابية النقطية. ويتضمن أدوات للمعالجة المسبقة للبيانات واستخراج الميزات والتدريب على النماذج.
7. LaserNet (https://github.com/zccyman/LaserNet): LaserNet عبارة عن خوارزمية LiDAR للكشف عن الكائنات السحابية النقطية التي تستخدم مستخرج الميزات الزمانية المكانية وشبكة اقتراح المنطقة لتحديد الكائنات في بيانات السحابة النقطية. ويتضمن أدوات للمعالجة المسبقة للبيانات والتدريب النموذجي والتقييم.
8. PIXOR (https://github.com/philipptrenz/PIXOR): PIXOR عبارة عن خوارزمية LiDAR للكشف عن الكائنات السحابية النقطية التي تستخدم تمثيلًا شاملاً للسحابة النقطية. ويتضمن أدوات للمعالجة المسبقة للبيانات واستخراج الميزات والتدريب على النماذج.
9. PV-RCNN (https://github.com/open-mmlab/OpenPCDet): PV-RCNN عبارة عن خوارزمية للكشف عن الكائنات السحابية النقطية LiDAR تستخدم بنية من مرحلتين تتكون من مرحلة ترميز الميزات النقطية ومرحلة تشفير النقاط مرحلة اقتراح المنطقة ويتضمن أدوات للمعالجة المسبقة للبيانات واستخراج الميزات والتدريب على النماذج.
10. SalsaNet (https://github.com/ethz-asl/salsanet): SalsaNet عبارة عن خوارزمية للكشف عن الكائنات السحابية النقطية بتقنية LiDAR تستخدم شبكة عصبية تلافيفية متفرقة ثلاثية الأبعاد لمعالجة البيانات السحابية النقطية. ويتضمن أدوات للمعالجة المسبقة للبيانات واستخراج الميزات والتدريب على النماذج.

ملاحظات أن بعض هذه المكتبات عبارة عن نماذج بحثية وقد لا تكون موثقة جيدًا أو سهلة الاستخدام مثل غيرها. بالإضافة إلى ذلك، قد تكون هناك مكتبات أخرى غير مدرجة في هذه القائمة والتي تعتبر أيضًا شائعة ومفيدة لاكتشاف الكائنات السحابية النقطية بتقنية LiDAR.