📄Работа №144845
Тема: Разработка алгоритма сегментации облаков LiDAR на основе сегментации изображений
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Программирование
Объем:
41 листов
Год:
2024
Просмотров:
155
4750
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 4
1. Постановка цели и задач 6
2. Обзор 7
2.1. Алгоритмы сегментации облаков точек 7
2.2. Метрики оценки точности сегментации 12
2.3. Наборы данных 15
2.4. Вывод 16
3. Алгоритм сегметации облаков 17
3.1. Принцип работы алгоритма 17
3.2. Использованные инструменты 18
3.3. Подготовка облака к сегментации 19
3.4. Кластеризация точек 27
4. Экспериментальное исследование 33
4.1. Цель и вопросы эксперимента 33
4.2. Условия эксперимента 33
4.3. Результаты 34
4.4. Вывод 39
Заключение 40
Список литературы 41
1. Постановка цели и задач 6
2. Обзор 7
2.1. Алгоритмы сегментации облаков точек 7
2.2. Метрики оценки точности сегментации 12
2.3. Наборы данных 15
2.4. Вывод 16
3. Алгоритм сегметации облаков 17
3.1. Принцип работы алгоритма 17
3.2. Использованные инструменты 18
3.3. Подготовка облака к сегментации 19
3.4. Кластеризация точек 27
4. Экспериментальное исследование 33
4.1. Цель и вопросы эксперимента 33
4.2. Условия эксперимента 33
4.3. Результаты 34
4.4. Вывод 39
Заключение 40
Список литературы 41
📖 Аннотация
Работа посвящена разработке алгоритма автоматической сегментации облаков точек LiDAR для систем автономного вождения. Актуальность исследования обусловлена критической зависимостью беспилотных технологий от качественных размеченных данных, ручное создание которых, как показано на примере датасета KITTI, требует непозволительно больших временных и финансовых затрат, ограничивая масштабируемость и полноту обучающих выборок. В качестве методологической основы предложен алгоритм, автоматизирующий процесс разметки за счет переноса результатов семантической сегментации с изображений камеры на трехмерные лидарные облака, что позволяет генерировать предварительные сегментации для последующей ручной корректировки. В ходе работы был реализован и протестирован данный алгоритм, определены оптимальные значения его гиперпараметров, а также проведено экспериментальное сравнение с методами ручной разметки и существующими алгоритмами кластеризации, подтвердившее его эффективность. Практическая значимость результатов заключается в возможности их применения разработчиками систем автономного вождения и компьютерного зрения для существенного ускорения и удешевления процесса создания аннотированных датасетов LiDAR. Таким образом, разработанное решение позволяет перевести трудоемкий процесс первичной разметки необработанных лидарных данных в режим исправления готовых предсказаний, что упрощает и ускоряет генерацию обучающих данных для нейронных сетей.
📖 Введение
В современном мире широкое распространение получили автономные транспортные средства, управление которыми осуществляется без водителя. Такие автомобили планируют движение путем сканирования пространства различными датчиками, анализируя полученную информацию. Популярным компонентом подобной системы датчиков является лидар. Лидар направляет лазерный луч на объект и при отражении получает его обратно, за счет чего вычисляется расстояние до точки. Таким образом, лидар формирует 3В~представление окружающего пространства в виде облака точек. Время суток и погодные условия не оказывают губительное влияние на качество лидарных данных, чего нельзя сказать о снимках камеры. Солнце и уличное освещение создают блики, пасмурная погода и темное время суток делают объекты на фото неразличимыми для механизмов распознавания. В связи с вышеизложенным использование лидара необходимо для получения стабильных данных в любых условиях и, как следствие, для надежной беспилотной навигации.
Для ориентирования автономного средства в пространстве первостепенной задачей является обнаружение и семантическая сегментация объектов в лидарных облаках, то есть разбиение точек на категории в соответствии с их смыслом. Лидарные данные представляют собой десятки тысяч разреженных точек с неравномерной плотностью, поэтому детерменированные алгоритмы не справляются с их обработкой. Для сегментации данных используют нейронные сети, которым для генерации качественных предсказаний необходимы тренировочные данные в виде больших датасетов аннотированных облаков. Ручная разметка требует много средств и времени и не способна охватить все разнообразие географических регионов, множество редких классов объектов, таких как детские коляски и неизвестные животные. Так, в рамках работы была проведена семантическая сегментация облаков одного из самых крупномасштабных наборов данных KITTI. Авторы отмечают, что разметка проводилась не для каждого отдельного разреженного облака, а сразу для нескольких облаков, объединенных в одно плотное. Несмотря на эту оптимизацию, разметка всего набора данных заняла более 1700 часов. В связи с этим возникает необходимость автоматизировать процесс сегментации лидарных облаков для генерации предсказаний объектов на плотном облаке. Это позволит свести процесс ручной сегментации необработанных данных к корректировкам уже готовых предсказаний, что существенно облегчает и снижает затраты на ручную разметку и, как следствие, упрощает генерацию обучающих данных для нейронных сетей. Таким образом, задача сводится к получению предварительной автоматической разметки отдельных объектов в плотных облаках.
Беспилотные средства в совокупности с лидарами оснащены камерами. Изображения с них могут быть сегментированы с помощью нейронных сетей, например SAM, SEEM. Генерируемая ими разметка довольно точна, так как нейронные сети имеют большие коллекции тренировочных снимков c истинной семантической сегментацией. Так как лидарные облака и снимки камеры отражают одно и то же пространство, но в разных форматах, сегментация изображений с камер может быть переиспользована для облаков. Некоторые современные алгоритмы задействуют разметку объектов со снимков вместе с лидарными облаками. Так, например, работы переносят разметку со снимков на отдельные лидарные облака. Другие методы [направлены на изучение дескрипторов для отдельных лидарных облаков, которые содержат полезную для распознавания объектов информацию об изображениях. Однако, оба класса подходов не ориентированы на использование данной разметки для плотного облака, с которым приходится работать разметчикам. Более того, в таком сценарии сегментации доступна информация об изображениях со всей протяженности отснятой траектории, то есть сегментация может быть уточнена за счет объединения предсказаний объекта с различных ракурсов съемки.
В данной работе предлагается алгоритм разметки объектов в плотных облаках точек с использованием информации с изображений и современных подходов для распознавания объектов на них.
Для ориентирования автономного средства в пространстве первостепенной задачей является обнаружение и семантическая сегментация объектов в лидарных облаках, то есть разбиение точек на категории в соответствии с их смыслом. Лидарные данные представляют собой десятки тысяч разреженных точек с неравномерной плотностью, поэтому детерменированные алгоритмы не справляются с их обработкой. Для сегментации данных используют нейронные сети, которым для генерации качественных предсказаний необходимы тренировочные данные в виде больших датасетов аннотированных облаков. Ручная разметка требует много средств и времени и не способна охватить все разнообразие географических регионов, множество редких классов объектов, таких как детские коляски и неизвестные животные. Так, в рамках работы была проведена семантическая сегментация облаков одного из самых крупномасштабных наборов данных KITTI. Авторы отмечают, что разметка проводилась не для каждого отдельного разреженного облака, а сразу для нескольких облаков, объединенных в одно плотное. Несмотря на эту оптимизацию, разметка всего набора данных заняла более 1700 часов. В связи с этим возникает необходимость автоматизировать процесс сегментации лидарных облаков для генерации предсказаний объектов на плотном облаке. Это позволит свести процесс ручной сегментации необработанных данных к корректировкам уже готовых предсказаний, что существенно облегчает и снижает затраты на ручную разметку и, как следствие, упрощает генерацию обучающих данных для нейронных сетей. Таким образом, задача сводится к получению предварительной автоматической разметки отдельных объектов в плотных облаках.
Беспилотные средства в совокупности с лидарами оснащены камерами. Изображения с них могут быть сегментированы с помощью нейронных сетей, например SAM, SEEM. Генерируемая ими разметка довольно точна, так как нейронные сети имеют большие коллекции тренировочных снимков c истинной семантической сегментацией. Так как лидарные облака и снимки камеры отражают одно и то же пространство, но в разных форматах, сегментация изображений с камер может быть переиспользована для облаков. Некоторые современные алгоритмы задействуют разметку объектов со снимков вместе с лидарными облаками. Так, например, работы переносят разметку со снимков на отдельные лидарные облака. Другие методы [направлены на изучение дескрипторов для отдельных лидарных облаков, которые содержат полезную для распознавания объектов информацию об изображениях. Однако, оба класса подходов не ориентированы на использование данной разметки для плотного облака, с которым приходится работать разметчикам. Более того, в таком сценарии сегментации доступна информация об изображениях со всей протяженности отснятой траектории, то есть сегментация может быть уточнена за счет объединения предсказаний объекта с различных ракурсов съемки.
В данной работе предлагается алгоритм разметки объектов в плотных облаках точек с использованием информации с изображений и современных подходов для распознавания объектов на них.
✅ Заключение
При выполнении данной работы были достигнуты следующие результаты.
1. В рамках обзора рассмотрены существующие алгоритмы сегментации облаков точек, метрики для оценки качества их разметки, выявлен ряд наиболее популярных наборов данных для обучения моделей и тестирования решений.
2. Предложен и реализован алгоритм разметки облаков точек на основе сегментации изображений1. Реализован набор модульных тестов, создана система непрерывной интеграции на основе GitHub Actions.
3. Определены оптимальные значения гиперпараметров алгоритма и исследовано их влияние на генерируемую сегментацию.
4. Проведено экспериментальное сравнение разработанного алгоритма с ручной разметкой и существующими алгоритмами кластеризации.
1. В рамках обзора рассмотрены существующие алгоритмы сегментации облаков точек, метрики для оценки качества их разметки, выявлен ряд наиболее популярных наборов данных для обучения моделей и тестирования решений.
2. Предложен и реализован алгоритм разметки облаков точек на основе сегментации изображений1. Реализован набор модульных тестов, создана система непрерывной интеграции на основе GitHub Actions.
3. Определены оптимальные значения гиперпараметров алгоритма и исследовано их влияние на генерируемую сегментацию.
4. Проведено экспериментальное сравнение разработанного алгоритма с ручной разметкой и существующими алгоритмами кластеризации.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.