تقسیم بندی تصویر نقش مهمی در شناسایی و تعیین دقیق اشیاء مورد علاقه در یک تصویر دارد. در رانندگی خودران، الگوریتم‌های بینایی کامپیوتری برای حل وظیفه تقسیم‌بندی سطح جاده استفاده می‌شوند. این کار چالش برانگیز است زیرا نمی‌توانید تنها به یک نوع عکس تکیه کنید – هم دوربین‌ها و هم LiDAR ها نقاط قوت و معایب خود را دارند. به عنوان مثال، LiDAR ها اطلاعات دقیق عمق را ارائه می دهند، اما معمولاً ابرهای نقطه پراکنده تولید می کنند، بنابراین نمی توانند به طور دقیق اشیاء را در صحنه تقسیم بندی کنند. و ممکن است هنگامی که با سطوح شفاف یا بازتابنده روبرو می شوند، ابرهای انحرافی تولید کنند. دوربین ها عمق را نمی گیرند، اما اطلاعات کاملی در مورد شکل، بافت و رنگ اشیا ارائه می دهند. این ما را به یک ایده ساده هدایت می کند که ادغام مؤثر ابرهای نقطه ای و تصاویر در آموزش تقسیم بندی جاده های دو بعدی ممکن است از مزایای هر حوزه داده استفاده کند. مشکل این است که چنین ادغامی نیاز به حاشیه نویسی فشرده از هر دو مجموعه داده دارد. بنابراین، آیا می‌توانیم حاشیه‌نویسی داده‌ها را کارآمدتر کنیم تا از مزایای یک راه‌اندازی چند سنسور برای بخش‌بندی جاده‌ها لذت ببریم؟
\ من در حال حاضر کار می کنم Evocargo. این شرکت خدمات حمل و نقل بار را ارائه می دهد و خودروهای برقی خودران خود را تولید می کند. من به عنوان یک مهندس یادگیری عمیق، در توسعه …