Детальная информация

В работе рассмотрены методы классификации дорожных препятствий на основе данных лидара с использованием технологий глубокого обучения. Исследованы современные архитектуры обработки облаков точек, включая PointNet, PointNet++, KPConv и RandLa-Net, и выполнено обоснование выбора модели RandLa-Net как наиболее подходящей для поставленной задачи. Проведено обучение и тестирование RandLa-Net с некоторой архитектурной модификацией. Оценка качества классификации осуществлялась с использованием метрик Accuracy, mIoU и IoU, что позволило проанализировать эффективность данной модели. Представлен анализ результатов классификации и выявлены основные факторы, влияющие на эффективность распознавания объектов в реальных условиях. Среди основных факторов, оказывающих влияние на качество распознавания, можно выделить: плотность облака точек, дисбаланс классов в обучающих данных и использование дополнительных характеристик.

The paper considers methods for classifying road obstacles based on lidar data using deep learning technologies. Modern point cloud processing architectures, including PointNet, PointNet++, KPConv, and RandLa-Net, are investigated, and the RandLa-Net model is justified as the most suitable for the task. RandLa-Net has been trained and tested with some architectural modification. The classification quality was assessed using Accuracy, mIoU, and IoU metrics, which made it possible to analyze the effectiveness of this model. The analysis of classification results is presented and the main factors influencing the effectiveness of object recognition in real conditions are identified. Among the main factors affecting the quality of speech recognition are the density of the point cloud, the imbalance of classes in the training data, and the use of additional characteristics.