Investigación sobre FWL Transformers mediante reducción de tokens guiada por intensidad y aumentación consciente de la física
Se ha presentado una investigación sobre Transformers para Full-Waveform LiDAR, con el objetivo de reducir los costes computacionales y mejorar la generalización para abordar los desafíos del LiDAR.
El LiDAR es un sensor crítico para la conducción autónoma y la robótica, pero sigue siendo vulnerable a condiciones adversas como la niebla, la lluvia, los objetos transparentes y las superficies de baja reflectancia. El Full-Waveform LiDAR (FWL) aborda estas limitaciones capturando la forma de onda de retorno completa como un histograma, preservando características de reflexión ricas, incluidos los ecos de trayectorias múltiples y las señales débiles.
Si bien los enfoques recientes basados en Transformer han demostrado ser prometedores en los datos de FWL, persisten dos cuellos de botella fundamentales: el alto coste computacional debido a los tokens redundantes en las regiones de fondo de baja intensidad, y una generalización limitada debido a la escasez de datos de entrenamiento anotados. Este artículo recibió 3 votos positivos en Hugging Face Daily Papers.
Esta noticia es un resumen. La versión completa y verificable está en la fuente original:
Leer el original en Hugging Face Papers ↗