蓋世汽車訊 早在2017年11月，蘋果公司就發(fā)布了一份研究報(bào)告稱，KITTI車輛檢測基準(zhǔn)的實(shí)驗(yàn)表明，端到端的點(diǎn)云物體檢測網(wǎng)絡(luò)VoxelNet在很大程度上優(yōu)于基于激光雷達(dá)（LIDAR）的最新3D檢測方法。

據(jù)外媒報(bào)道，4月6日，美國專利商標(biāo)局授予了蘋果一項(xiàng)泰坦項(xiàng)目專利，名為“基于體素的特征學(xué)習(xí)網(wǎng)絡(luò)（Voxel-based feature learning network）”。該網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)的系統(tǒng)和算法有關(guān)，具體來說是與3D物體檢測有關(guān)。該專利涵蓋了基于系統(tǒng)和算法的解決方案，可以準(zhǔn)確地檢測點(diǎn)云中的3D物體，而點(diǎn)云中的3D物體檢測一直是許多現(xiàn)實(shí)應(yīng)用中的核心問題，例如自動導(dǎo)航、家務(wù)機(jī)器人、增強(qiáng)現(xiàn)實(shí)和虛擬現(xiàn)實(shí)。

（圖片來源：patentlyapple.com）

蘋果此次發(fā)明涵蓋了實(shí)施3D體素特征學(xué)習(xí)/檢測網(wǎng)絡(luò)的方法、系統(tǒng)和技術(shù)。該網(wǎng)絡(luò)可以配置為從原始點(diǎn)云數(shù)據(jù)（例如LiDAR點(diǎn)云）自動學(xué)習(xí)體素特征，還可以捕獲由于量化或先前系統(tǒng)中其他處理步驟而丟失的細(xì)微3D形狀信息。

在一些實(shí)例中，集成3D體素特征學(xué)習(xí)/檢測網(wǎng)絡(luò)可改善物體檢測平均精度均值（mAP）。例如，與先前的點(diǎn)云物體檢測網(wǎng)絡(luò)相比，該網(wǎng)絡(luò)可將平均精度均值（mAP）從88.0％提高至89.2％，和/或?qū)⑵骄∠蛘`差從2.5度減少至0.82度。

此外，3D體素特征學(xué)習(xí)/檢測網(wǎng)絡(luò)還可以隨時間改善預(yù)測穩(wěn)定性。配置為實(shí)施3D體素特征學(xué)習(xí)/檢測網(wǎng)絡(luò)的系統(tǒng)（如蘋果所獲專利中所述）可作為通用特征學(xué)習(xí)模塊，與眾多其他3D機(jī)器學(xué)習(xí)模型無縫集成及共同訓(xùn)練，例如3D物體檢測、3D場景理解、3D點(diǎn)云匹配、3D物體/人體姿態(tài)估計(jì)等。

下圖1A展示了體素特征學(xué)習(xí)/檢測網(wǎng)絡(luò)與物體檢測網(wǎng)絡(luò)間端到端的學(xué)習(xí)系統(tǒng)結(jié)構(gòu)圖；圖1B為體素特征學(xué)習(xí)/檢測網(wǎng)絡(luò)與使用高度量化生成多通道圖像的其他系統(tǒng)之間的對比。

蘋果專利圖1A、1B、10、11（圖片來源：patentlyapple.com）

上圖10為車輛檢測訓(xùn)練數(shù)據(jù)的示例，該數(shù)據(jù)可能被用于訓(xùn)練體素特征學(xué)習(xí)/檢測網(wǎng)絡(luò)。圖11展示了可被物體檢測系統(tǒng)識別到的物體示例。根據(jù)實(shí)例，這些系統(tǒng)會涵蓋體素特征學(xué)習(xí)/檢測網(wǎng)絡(luò)。

返回第一電動網(wǎng)首頁 >