Key points are not available for this paper at this time.
يقوم LiDAR والكاميرا، كمستشعرين مختلفين، بتوفير معلومات هندسية (سحب النقاط) ومعلومات دلالية (صور RGB) لمشاهد ثلاثية الأبعاد. ومع ذلك، لا تزال التحديات قائمة أمام الأساليب الحالية لدمج البيانات من المستشعرات المتقاطعة، مما يجعلها تكمل بعضها البعض لتحقيق اكتشاف عالي الجودة للأجسام ثلاثية الأبعاد (3OD). نقترح ImLiDAR، وهو نموذج جديد لـ 3OD يهدف إلى تقليل التباينات بين المستشعرات المتقاطعة من خلال دمج الملامح متعددة القياسات لصور الكاميرا وسحب النقاط من LiDAR بشكل تدريجي. يمكّن ImLiDAR من توفير الميزات المدمجة بشكل قوي بين المستشعرات لعناصر الكشف. لتحقيق ذلك، توجد تصميمات أساسية في ImLiDAR. أولاً، نقترح وحدة نشر الرسائل الديناميكية عبر المستشعرات (CDMP) لدمج أفضل خصائص النقاط والصور متعددة القياسات. ثانيًا، نقدم مشكلة توقع مجموعة مباشرة تسمح بتصميم كاشف ذو مجموعة فعالة (SD) للتعامل مع عدم الاتساق في ثقة التصنيف والتحديد، وحساسية المعلمات الفائقة المعدلة يدويًا. بالإضافة إلى ذلك، يمكن أن يكون SD الجديد قابل للفك والتكامل بسهولة في شبكات الكشف المختلفة. تُظهر المقارنات على مجموعات بيانات KITTI وnuScenes وSUN-RGBD جميعها تحسينات بصرية وعددية واضحة لصالح ImLiDAR مقارنة بـ 45 طريقة متقدمة في اكتشاف الأجسام ثلاثية الأبعاد.
درس شين وآخرون (Sun) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: