Für die 3D-Objekterkennung werden von LiDAR gelieferte Punktwolkendaten in Pseudobilder umgewandelt. Dabei kommen säulenbasierte Methoden (Pillar-based Methods) zum Einsatz, um die Datenmengen zu verkleinern und zu ordnen. Diese Methoden leiden jedoch unter den begrenzten Möglichkeiten der Merkmalsextraktion und neigen dazu, Schlüsselinformationen während der Konvertierung zu verlieren, was zu einer geringeren Erkennungsgenauigkeit als bei voxelbasierten oder punktbasierten Methoden führt, insbesondere bei kleinen Objekten. Forschende des Hefei Institutes of Physical Science der Chinese Academy of Sciences schlagen eine neuartige säulenbasierte Methode vor, die sie mit SCNet3D bezeichnen und die die Herausforderungen der Merkmalsverbesserung, der Informationserhaltung und der Erkennung kleiner Ziele aus der Perspektive der Merkmale und Daten angeht. Ausführliche Experimente zeigen nach Ausführungen von Beteiligten, dass SCNet3D eine überlegene Leistung und ausgezeichnete Robustheit aufweist. Bemerkenswerterweise erreiche SCNet3D eine AP von 82,35 % in der moderaten Auto-Kategorie, 44,64 % in der moderaten Fußgänger-Kategorie und 67,55 % in der moderaten Radfahrer-Kategorie auf dem KITTI-Test-Split im 3D-Detektions-Benchmark und übertrifft damit viele moderne 3D-Detektoren. (jr)
