申请/专利权人:福州大学
申请日:2023-12-22
公开(公告)日:2024-03-22
公开(公告)号:CN117746371A
主分类号:G06V20/56
分类号:G06V20/56;G01S17/88;G06V20/64;G06V10/44;G06V10/82;G06N3/0455;G06N3/0464;G06N3/096
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.09#实质审查的生效;2024.03.22#公开
摘要:本发明涉及一种面向实时场景补全的占据网络。使用自动选帧算法选择最优的未来2帧激光雷达点云,并将第3帧(当前帧)和过去的相邻2帧激光雷达点云对齐到第3帧激光雷达点云的坐标系下;通过体素化分别将5帧激光雷达点云和第3帧激光雷达点云转换为3D占据网格,作为教师网络和学生网络的输入;输入经过教师网络和学生网络,得到通过3D编码器和多尺度空洞卷积解码器后的占据网格特征;通过NST(NeutronSelectivityTransfer)知识蒸馏损失函数,计算两个占据网格特征之间的相关性,强迫学生网络学习教师网络的特性;通过全连接共享占据网格中每个体素之间的特征,并将占据网格进行上采样,得到最精细的占据网格。本发明有效的提升了对小物体、大物体目标的补全性能。
主权项:1.一种面向实时场景补全的占据网络,其特征在于,包括如下步骤:步骤S1、使用自动选帧算法选择最优的未来2帧激光雷达点云,并将第3帧即当前帧和过去的相邻2帧激光雷达点云对齐到第3帧激光雷达点云的坐标系下;步骤S2、通过体素化分别将5帧激光雷达点云和第3帧激光雷达点云转换为3D占据网格,作为教师网络和学生网络的输入;步骤S3、输入经过教师网络和学生网络,得到通过3D编码器和多尺度空洞卷积解码器后的占据网格特征;步骤S4、通过NST知识蒸馏损失函数,计算步骤S3两个占据网格特征之间的相关性,强迫学生网络学习教师网络的特性;步骤S5、通过全连接共享占据网格中每个体素之间的特征,并将占据网格进行上采样,得到最精细的占据网格。
全文数据:
权利要求:
百度查询: 福州大学 一种面向实时场景补全的占据网络
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。