Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
StreakNet-Arch : une architecture réseau anti-diffusion pour l'imagerie radar LiDAR sous-marine
Created by
Haebom
Auteur
Xuelong Li, Hongjun An, Haofei Zhao, Guangying Li, Bo Liu, Xing Wang, Guanghua Cheng, Guojun Wu, Zhe Sun
Contour
Dans cet article, nous présentons StreakNet-Arch, un cadre de classification binaire en temps réel basé sur le LiDAR pour véhicule sous-marin (UCLR). StreakNet-Arch améliore la suppression de la diffusion en intégrant l'auto-attention et une nouvelle attention croisée à double branche (DBC-Attention). Dans des conditions de validation en cuve contrôlée, StreakNet-Arch avec auto-attention ou DBC-Attention surpasse le filtrage passe-bande conventionnel et obtient des scores F1 plus élevés que les réseaux MP basés sur l'apprentissage et les CNN à tailles et complexité de modèle similaires. Les résultats de référence en temps réel sur NVIDIA RTX 3060 montrent un temps d'imagerie moyen constant (54-84 ms) quel que soit le nombre d'images, tandis que les méthodes conventionnelles augmentent linéairement (58-1 257 ms). Pour une étude plus approfondie, nous fournissons un jeu de données d'images de caméra à tube à fentes accessible au public contenant 2 695 168 données de nuages de points 3D sous-marins réels. Plus important encore, le test en mer de Chine méridionale a permis de vérifier les performances du système UCLR en obtenant une erreur de ciblage 3D de 46 mm à 1 000 m de profondeur et 20 m de distance. Le code source et les données sont disponibles à l' adresse https://github.com/BestAnHongjun/StreakNet .
Un nouveau cadre efficace et précis (StreakNet-Arch) pour la détection d'objets 3D sous-marins en temps réel
◦
Vérification de l'effet de suppression de la diffusion à l'aide de l'auto-attention et de l'attention DBC et confirmation des performances améliorées par rapport aux méthodes existantes
◦
Soutenir la recherche de suivi en publiant un ensemble de données de nuages de points 3D sous-marins à grande échelle et réels
◦
Vérification des performances du système et haute précision obtenues dans un environnement réel en mer de Chine méridionale
•
Limitations:
◦
Dégradation potentielle des performances due aux différences entre les environnements de réservoir contrôlés et les environnements marins réels
◦
Limitations des performances de généralisation en fonction de la diversité et de la portée de l'ensemble de données
◦
Difficulté de généralisation en raison de l'évaluation des performances en temps réel basée sur du matériel spécifique (NVIDIA RTX 3060)
◦
Une validation supplémentaire dans des environnements sous-marins plus diversifiés est nécessaire.
