Key points are not available for this paper at this time.
في سياق المركبات الذاتية القيادة المعتمدة على مستشعرات LiDAR، تلعب شبكات التقسيم دورًا حاسمًا في التعرف على الأشياء وتصنيفها بدقة. ومع ذلك، يمكن أن تؤدي الفروق بين أنواع مستشعرات LiDAR المستخدمة لتدريب الشبكة وتلك المطبقة في بيئات القيادة الواقعية إلى تدهور الأداء بسبب الاختلافات في ميزات مدخلات التنسور، مثل إحداثيات x وy وz، والكثافة. لمعالجة هذه القضية، نقترح تقنيات جديدة لعرض الكثافة وتداخل البيانات. تقيم دراستنا فعالية هذه الطرق من خلال تطبيقها على تتبع الأجسام في سيناريوهات العالم الحقيقي. تهدف الحلول المقترحة إلى توحيد الفروق بين بيانات المستشعر، مما يعزز الأداء والموثوقية لشبكات التعلم العميق لأنظمة الإدراك في المركبات الذاتية القيادة. بالإضافة إلى ذلك، تمنع خوارزمياتنا تدهور الأداء، حتى عند استخدام أنواع مختلفة من المستشعرات لبيانات التدريب وتطبيقات العالم الحقيقي. يسمح هذا النهج باستخدام مجموعات بيانات مفتوحة متاحة للجمهور دون الحاجة إلى قضاء وقت طويل في بناء البيانات والتعليق باستخدام المستشعرات الفعلية المطبقة، مما يوفر الوقت والموارد بشكل كبير. عند تطبيق الطرق المقترحة، لاحظنا تحسنًا تقريبيًا بنسبة 20% في أداء المIoU مقارنة بالسيناريوهات بدون هذه التحسينات.
قام كيم وآخرون (الخميس) بدراسة هذا السؤال.