Dogun Kim

1. 센서퓨전 기반 3차원 객체 검출 기술 개요2. 자율주행에 사용되는 센서3. 자율주행 데이터셋4.자율주행 기술 성능 평가지표5. [실습1] 자율주행 데이터셋 살펴보기 nuScenes 5. [실습1] 자율주행 데이터셋 살펴보기 nuSceneshttps://www.nuscenes.org/nuscenes https://www.nuscenes.org/nuscenes www.nuscenes.org위에서 overview를 천천히 읽어보면 좋다. 아래 코랩을 통해 데이터를 하나 하나 살펴보겠다. https://colab.research.google.com/github/nutonomy/nuscenes-devkit/ nuscenes_tutorial.ipynb를 확인하면 된다. !pip install matplotli..

1. 센서퓨전 기반 3차원 객체 검출 기술 개요2. 자율주행에 사용되는 센서3. 자율주행 데이터셋4.자율주행 기술 성능 평가지표5. [실습1] 자율주행 데이터셋 살펴보기 nuScenes 3. 자율주행 데이터셋 자율주행은 학습 기반으로 구현하기에 목적에 맞는 적절한 학습 데이터를 사용하는 것은 매우 중요하다. 자율주행을 구현하는데 cctv와 같이 고정된 곳에서의 데이터를 사용하는 것은 적절하지 않다. 학습 데이터셋을 고를 때 고려 사항1) Sensor Configuration  내가 어떤 걸 구현하고 싶냐에 따라 어떤 센서 구성을 가진 데이터인지 확인해야만 한다. 내가 만약 4D Radar를 연구하고 싶은데 카메라와 라이더 정보만 있는 데이터를 사용하는 건 불가능할 것이다.센서가 어떻게 구성되어 있는지 뿐..

이번 챕터에서는 자율주행에 사용되는 센서, 데이터셋, 평가 지표에 대해 공부할 것이다. 1. 센서퓨전 기반 3차원 객체 검출 기술 개요2. 자율주행에 사용되는 센서3. 자율주행 데이터셋4.자율주행 기술 성능 평가지표5. [실습1] 자율주행 데이터셋 살펴보기 nuScenes  1. 센서퓨전 기반 3차원 객체 검출 기술 개요 우리는 최종적으로 카메라, 라이더, 레이더와 같은 여러 센서들을 함께 사용하여 3D 환경에서의 Object detection을 수행할 것이다. 이를 위해 먼저 간단하게 Object detection과 Sensor fusion의 개념을 알고 넘어갈 필요가 있다. 2D Object Detection  RGB image와 같은 카메라 센서 입력이 주어졌을 때, 데이터셋에서 정의된 물체가 특정..

Ch03. Point cloud matching 3-1. Point cloud 매칭 및 활용 분야3-2. Point cloud 특징 추출 방법3-3. 고전적인 Point cloud 매칭 방법론, 실습3-4. 딥러닝 기반 Point cloud 매칭 - RPM-Net3-5. TEASER 라이브러리를 통한 Point cloud 정합3-6. Point cloud 매칭을 활용한 Place recognition-PointNetVLAD   3-3. 고전적인 Point cloud 매칭 방법론, 실습고전적인 방법들이 뒤에서 배울 딥러닝에 비해 효율이 많이 떨어지는 건 맞지만.. 기본적인 라이브러리에서 쉽게 함수를 불러올 수 있기에 급하게 정합이 필요할 때 정도 사용할 수 있다.. 그냥 여기서 파생해서 어떤 방법들을 사용..

Ch03. Point cloud matching 3-1. Point cloud 매칭 및 활용 분야3-2. Point cloud 특징 추출 방법3-3. 고전적인 Point cloud 매칭 방법론, 실습3-4. 딥러닝 기반 Point cloud 매칭 - RPM-Net3-5. TEASER 라이브러리를 통한 Point cloud 정합3-6. Point cloud 매칭을 활용한 Place recognition-PointNetVLAD 3-2. Point cloud 특징 추출 방법 Point cloud 특징 추출 방법론이미지에서 feature를 추출하는 것 처럼 Point cloud에서도 feature를 추출할 수 있다. 이에 대해 알아볼 것이다. 1) Harris corner 3D보통 컴퓨터 비전에서 corner ..

Ch03. Point cloud matching 3-1. Point cloud 매칭 및 활용 분야3-2. Point cloud 특징 추출 방법3-3. 고전적인 Point cloud 매칭 방법론, 실습3-4. 딥러닝 기반 Point cloud 매칭 - RPM-Net3-5. TEASER 라이브러리를 통한 Point cloud 정합3-6. Point cloud 매칭을 활용한 Place recognition-PointNetVLAD 3-1. Point cloud 매칭 및 정합포인트 클라우드 매칭 두 포인트 클라우드의 correspondences를 찾는 문제. 이를 통해 정합 등의 문제를 풀 수 있다Scan matching이나 scan registration에서 동일한 reference frame을 보았을 때, 각..

보호되어 있는 글입니다.

Ch 02. Point Cloud Processing Backbone 2-1. PointNet2-2. PointNet++ 2-3. Graph Convolutional Network2-4. Dynamic Graph CNN 2-5. Kernel Point Convolution https://arxiv.org/abs/1801.07829 Dynamic Graph CNN for Learning on Point CloudsPoint clouds provide a flexible geometric representation suitable for countless applications in computer graphics; they also comprise the raw output of most 3D data a..

Ch 02. Point Cloud Processing Backbone 2-1. PointNet2-2. PointNet++ 2-3. Graph Convolutional Network2-4. Dynamic Graph CNN 2-5. Kernel Point Convolution 2-3. Graph Convolutional Network(GCN)Graph노드 간의 연결성을 보임. 인접 행렬(adjacency-matrix)을 통해 표현할 수 있음.   Graph neural network - 이미지 구조에서 활용되던 CNN을 그래프 구조에서 일반화하는 방법- 𝜓(𝐴,𝑋) =𝑓(𝐴𝑋𝑊) 를 풀기 위한 W를 학습해야 한다.- Weight matrix와 feature matrix 곱에 adjacent ma..