Riconoscimento di Luoghi con LiDAR nei Vigneti tramite Apprendimento Matryoshka
Un nuovo metodo di deep learning leggero, MinkUNeXt-VINE, supera gli approcci all'avanguardia per il riconoscimento di luoghi in ambienti viticoli. Il metodo utilizza input LiDAR sparsi a basso costo e output a dimensionalità ridotta per un'elevata efficienza in scenari in tempo reale. Sfrutta l'apprendimento multi-perdita della rappresentazione Matryoshka e la pre-elaborazione. I risultati sono validati su due ampi dataset di vigneti a lungo termine con diversi sensori LiDAR, dimostrandone l'efficacia. Lo studio affronta le sfide di localizzazione in ambienti agricoli non strutturati privi di punti di riferimento distintivi.
Fatti principali
- MinkUNeXt-VINE è un metodo di deep learning leggero per il riconoscimento di luoghi nei vigneti.
- Supera i metodi all'avanguardia in ambienti viticoli.
- Utilizza input LiDAR sparsi a basso costo e output a dimensionalità ridotta.
- Impiega un approccio di apprendimento multi-perdita della rappresentazione Matryoshka.
- Validato su due dataset di vigneti a lungo termine con diversi sensori LiDAR.
- Affronta le sfide di localizzazione in ambienti agricoli non strutturati.
- Priorizza prestazioni migliorate e alta efficienza in scenari in tempo reale.
- Include uno studio di ablazione completo su vari casi di valutazione.
Entità
—