Objektintunnistusalgoritmit

Kohteentunnistusalgoritmit: Nämä algoritmit tunnistavat pistepilvidatasta kiinnostavat kohteet, kuten autot, jalankulkijat tai liikennemerkit.

Lidar-pistepilven esineentunnistusalgoritmien sovellus.
Lidar-pistepilviobjektien tunnistusalgoritmeja käytetään laajasti eri aloilla, kuten robotiikassa, autonomisissa ajoneuvoissa ja kaupunkisuunnittelussa. Lidar-teknologia luo lasereiden avulla ympäristöstä kolmiulotteisen pistepilven, joka antaa yksityiskohtaista tietoa esineiden sijainnista ja muodosta. Kohteentunnistusalgoritmeja sovelletaan sitten pistepilvitietoihin kohteiden, kuten autojen, jalankulkijoiden ja rakennusten, tunnistamiseksi ja luokittelemiseksi. Näitä algoritmeja voidaan käyttää useissa sovelluksissa esteiden välttämisestä autonomisissa ajoneuvoissa kaupunkisuunnitteluun ja kartoitukseen. Havaitsemalla ja luokittelemalla kohteet tarkasti pistepilvidatassa, Lidarin pistepilviobjektien tunnistusalgoritmit mahdollistavat koneiden havaitsemisen ja navigoimisen ympäröivässä maailmassa tehokkaammin.

Tässä on kymmenen suosittua kirjastoa LiDAR-pistepilviobjektien tunnistusalgoritmeille sekä niiden lataus-URL-osoitteet ja lyhyet kuvaukset:

1. Open3D-ML (https://github.com/isl-org/Open3D-ML): Open3D-ML on avoimen lähdekoodin kirjasto 3D-koneoppimistehtäviin, kuten LiDAR-pistepilviobjektin havaitsemiseen. Se on rakennettu Open3D:n ja PyTorchin päälle, ja se sisältää erilaisia ​​moduuleja, kuten tietojen esikäsittelyn, ominaisuuksien purkamisen ja mallikoulutuksen.
2. PyTorch3D (https://github.com/facebookresearch/pytorch3d): PyTorch3D on suosittu avoimen lähdekoodin kirjasto 3D-syväoppimistehtäviin, mukaan lukien LiDAR-pistepilviobjektin havaitsemiseen. Se sisältää erilaisia ​​työkaluja 3D-mallien luomiseen, renderöintiin ja geometristen operaatioiden suorittamiseen.
3. PointPillars (https://github.com/nutonomy/second.pytorch): PointPillars on LiDAR-pistepilviobjektin tunnistusalgoritmi, joka käyttää pistepilvien harvaa vokseloitua esitystä. Tämä algoritmi on saavuttanut huippuluokan suorituskyvyn KITTI-benchmark-tietojoukossa.
4. TOINEN (https://github.com/nutonomy/second.pytorch): SECOND on toinen LiDAR-pistepilviobjektin tunnistusalgoritmi, joka käyttää samanlaista vokselointitekniikkaa kuin PointPillars. Se sisältää erilaisia ​​esi- ja jälkikäsittelytyökaluja, ja se on myös saavuttanut huippuluokan suorituskyvyn KITTI-tietojoukossa.
5. PointNet (https://github.com/charlesq34/pointnet): PointNet on suosittu syväoppimisarkkitehtuuri pistepilvitietojen, mukaan lukien LiDAR-pistepilvien, käsittelyyn. Se sisältää työkaluja esikäsittelyyn, ominaisuuksien poimimiseen ja luokitustehtäviin.
6. VoxelNet (https://github.com/qianguih/voxelnet): VoxelNet on LiDAR-pistepilviobjektin tunnistusalgoritmi, joka käyttää vokselointia ja 3D-konvoluutioita pistepilvitietojen käsittelemiseen. Se sisältää työkalut tietojen esikäsittelyyn, ominaisuuksien poimimiseen ja mallikoulutukseen.
7. LaserNet (https://github.com/zccyman/LaserNet): LaserNet on LiDAR-pistepilviobjektin tunnistusalgoritmi, joka käyttää spatiotemporaalista ominaisuuspoimintaa ja alueehdotusverkkoa pistepilvitietojen kohteiden tunnistamiseen. Se sisältää työkalut tietojen esikäsittelyyn, mallikoulutukseen ja arviointiin.
8. PIXOR (https://github.com/philipptrenz/PIXOR): PIXOR on LiDAR-pistepilviobjektin tunnistusalgoritmi, joka käyttää pistepilven lintuperspektiivistä esitystä. Se sisältää työkalut tietojen esikäsittelyyn, ominaisuuksien poimimiseen ja mallikoulutukseen.
9. PV-RCNN (https://github.com/open-mmlab/OpenPCDet): PV-RCNN on LiDAR-pistepilviobjektin tunnistusalgoritmi, joka käyttää kaksivaiheista arkkitehtuuria, joka koostuu pistekohtaisesta ominaisuuksien koodausvaiheesta ja alueehdotusvaihe. Se sisältää työkalut tietojen esikäsittelyyn, ominaisuuksien poimimiseen ja mallikoulutukseen.
10. SalsaNet (https://github.com/ethz-asl/salsanet): SalsaNet on LiDAR-pistepilviobjektin tunnistusalgoritmi, joka käyttää harvaa 3D-konvoluutiohermoverkkoa pistepilvitietojen käsittelemiseen. Se sisältää työkalut tietojen esikäsittelyyn, ominaisuuksien poimimiseen ja mallikoulutukseen.

Huomautuksia että jotkut näistä kirjastoista ovat tutkimusprototyyppejä eivätkä välttämättä ole yhtä hyvin dokumentoituja tai käyttäjäystävällisiä kuin toiset. Lisäksi saattaa olla muita kirjastoja, jotka eivät sisälly tähän luetteloon ja jotka ovat myös suosittuja ja hyödyllisiä LiDAR-pistepilviobjektien havaitsemiseen.