Семинар отдела Вычислительной математики

В настоящее время алгоритмы глубокого обучения достигли больших успехов в решении задач двухмерного компьютерного зрения за счет повсеместного применения сверточной архитектуры нейронной сети, которая превосходно показывает себя при работе со структурированными пространственными данными (например, такими, как изображения). Однако в последнее время в связи с развитием таких технологических направлений, как автономное вождение и управление беспилотными летательными аппаратами, дополненная реальность и робототехника, а также увеличением доступности технологии LIDAR (Light Detection and Ranging), все более широкое внимание привлекает разработка алгоритмов, способных эффективно работать с 3D-данными, представленными в виде облаков точек. Облака точек, полученные датчиками глубины, в отличие от 2D-изображений, не упорядочены и имеют нерегулярную структуру, что выражается в неравномерности распределения плотности точек в облаке. Помимо этого, при работе с объектами в облаке точек исследуются не полноценные трехмерные модели, а скорее их 2,5 мерные проекции, полученные с различных точек обзора, что делает разработку модели машинного обучения, способной обрабатывать их в реальном времени, нетривиальной задачей. Цель работы — анализ, исследование и сравнение существующих подходов к семантической сегментации 3D лидарных данных облака точек.