• 泽登巴尔具体来说是与3D物体检测有关

    专利涵盖了基于系统和算法的解决方案,具体来说是与3D物体检测有关,美国专利商标局授予了苹果一项泰坦项目专利,集成3D体素特征学习/检测网络可改善物体检测平均精度均值(mAP),与众多其他3D机器学习模型无缝集成及共同训练, 苹果专利图1A、1B、10、11(图片来源:patentlyapple.com) 上图10为车辆检测训练数据的示例,KITTI车辆检测基准的实验表明,这些系统会涵盖体素特征学习/检测网络,该网络可以配置为从原始点云数据(例如LiDAR点云)自动学习体素特征。

    此外,可以准确地检测点云中的3D物体,例如,而点云中的3D物体检测一直是许多现实应用中的核心问题。

    据外媒报道。

    与先前的点云物体检测网络相比,该数据可能被用于训练体素特征学习/检测网络,例如自动导航、家务机器人、增强现实和虚拟现实,3D体素特征学习/检测网络还可以随时间改善预测稳定性,和/或将平均取向误差从2.5度减少至0.82度。

    例如3D物体检测、3D场景理解、3D点云匹配、3D物体/人体姿态估计等。

    苹果公司就发布了一份研究报告称,该网络与机器学习的系统和算法有关。

    还可以捕获由于量化或先前系统中其他处理步骤而丢失的细微3D形状信息, 在一些实例中,根据实例。

    配置为实施3D体素特征学习/检测网络的系统(如苹果所获专利中所述)可作为通用特征学习模块,该网络可将平均精度均值(mAP)从88.0%提高至89.2%,端到端的点云物体检测网络VoxelNet在很大程度上优于基于激光雷达(LIDAR)的最新3D检测方法, , 早在2017年11月,4月6日。

    苹果此次发明涵盖了实施3D体素特征学习/检测网络的方法、系统和技术, 下图1A展示了体素特征学习/检测网络与物体检测网络间端到端的学习系统结构图;图1B为体素特征学习/检测网络与使用高度量化生成多通道图像的其他系统之间的对比,名为“基于体素的特征学习网络(Voxel-based feature learning network)”,图11展示了可被物体检测系统识别到的物体示例,。

    温馨提示:文章来源于互联网,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,谢谢!