Новый подход ИИ для улучшения прогнозирования занятости в 3D.

CVT-Occ: Новый подход к ИИ, значительно повышающий точность прогнозирования занятости в 3D за счет временного слияния и геометрической корреспонденции во времени

Описание метода CVT-Occ

Метод CVT-Occ расширяет прогнозирование занятости в 3D через временное слияние и геометрические соответствия. Путем выборки точек вдоль линии взгляда и интеграции признаков из исторических кадров метод строит карту пространственных признаков для улучшения текущих признаков объема и повышения точности прогнозирования. Путем использования геометрических соответствий между временными кадрами метод использует параксиальный эффект для улучшения точности оценки глубины. Проекционная матрица трансформирует точки между собственным транспортным средством и глобальными координатными системами, позволяя извлекать дополнительную информацию из прошлых наблюдений. Метод смягчает неопределенности глубины, используя исторические признаки BEV и проецируя точки в историческую координатную систему.

Результаты и преимущества

Экспериментальная проверка на наборе данных Occ3D-Waymo показывает, что CVT-Occ превосходит существующие передовые методы, сохраняя низкие вычислительные затраты. Метод интегрируется с существующими моделями, заменяя исходные декодеры декодерами для прогнозирования занятости в 3D и обеспечивая эффективное использование карты признаков объема. Этот метод значительно улучшает прогнозы геометрии объекта и точность занятости благодаря инновационному использованию временного слияния, построению карты признаков объема и интеграции исторических признаков.

Заключение

CVT-Occ значительно повышает точность прогнозирования занятости в 3D за счет эффективного временного слияния и геометрической корреспонденции. Инновационная карта признаков объема, интегрирующая данные исторических кадров, является ключевым элементом для достижения высокой производительности. Долгосрочные возможности объединения и использования параксиального эффекта являются основой его успеха. CVT-Occ открывает новые пути исследований в области восприятия в 3D, с потенциальными применениями в реконструкции, робототехнике и виртуальной реальности, обозначая значительное совершенствование в этой области.