Détection d'objets 3D profonde à l'aide de données LiDAR : Une revue

En tant que fondement des systèmes intelligents, la vision par machine perçoit l'environnement environnant et fournit une base pour la prise de décision. La détection d'objets est la tâche centrale de la vision par machine. La détection d'objets 3D peut fournir des informations sur la taille stérique et la localisation des objets. Comparée à la détection d'objets 2D largement étudiée dans les coordonnées d'image, elle peut offrir plus d'applications pour les systèmes de détection. Les données LiDAR précises ont une capacité de capture spatiale plus forte et sont insensibles à la lumière naturelle, ce qui fait du LiDAR un capteur potentiel pour la détection 3D. Récemment, des réseaux de neurones profonds ont été développés pour apprendre de puissantes caractéristiques d'objets à partir des données des capteurs. Cependant, la rareté des données de nuages de points LiDAR pose des défis au traitement du réseau. De nombreux efforts ont été déployés pour relever cette difficulté, mais une revue complète de la littérature fait encore défaut. L'objectif de cet article est de passer en revue les défis et les méthodologies des réseaux de détection d'objets 3D utilisant des données LiDAR. À cet égard, nous présentons d'abord un aperçu de la tâche de détection 3D et des techniques de détection LiDAR. Ensuite, nous déployons la revue des réseaux de détection 3D profonds avec trois types de représentations de nuages de points LiDAR et leurs défis. Nous résumons ensuite les métriques d'évaluation et la performance des algorithmes sur trois références de détection 3D autoritaires. Enfin, nous fournissons des aperçus précieux des défis et des problèmes ouverts.