Rapporto di ricerca: Tecnologia di elaborazione dei dati spaziali
3D e sue applicazioni Istituto di ricerca sull'intelligenza artificiale
della contea di 2025_01Youngho Hong
Astratti:
Questa ricerca riguarda lo sviluppo e l'applicazione delle tecnologie di
elaborazione dei dati spaziali 3D, in particolare l'acquisizione di dati a
nuvola di punti e le tecnologie di rilevamento di oggetti 3D con sensori
LiDAR. Si concentra sulle tecnologie di rilevamento degli oggetti 3D
VoxelNet, PointNet e PointRCNN e spiega come queste tecnologie
vengano utilizzate in vari campi come i veicoli autonomi, la sanità,
l'automazione industriale, i sistemi di sorveglianza della sicurezza e la
VR/AR. I dati delle nuvole di punti raccolti dai sensori LiDAR analizzano
lo spazio 3D con alta precisione e la tecnologia di rilevamento degli
oggetti 3D basata su di essi un ruolo importante nella consapevolezza
ambientale in tempo reale, nella diagnosi di precisione,
nell'ottimizzazione dei processi produttivi, ecc. Questo studio analizza
l'impatto della tecnologia di elaborazione dei dati spaziali 3D
sull'industria moderna e sull'innovazione tecnologica e discute il
potenziale di sviluppo futuro.
Parole chiave:
Dati spaziali 3D, sensori LiDAR, nuvola di punti, rilevamento
di oggetti 3D, VoxelNet, PointNet, PointRCNN, veicoli autonomi, sanità,
automazione industriale, sistemi di sorveglianza di sicurezza, VR/AR,
Deep Learning2- -
1. Introduzione
Comprende il processo di raccolta, archiviazione, analisi e
visualizzazione dei dati e utilizza tecnologie come LiDAR,
fotogrammetria e scansione 3D per elaborare informazioni spaziali
tridimensionali. Queste tecnologie sono utilizzate in diverse piattaforme
software, tra cui i sistemi informativi geografici (GIS) e la progettazione
assistita da computer (CAD) strumenti principali. Ciò di effettuare
analisi spaziali complesse.
Il LiDAR utilizza impulsi laser per raccogliere dati sulla distanza,
mentre la fotogrammetria utilizza fotografie aeree per creare modelli 3D.
Questi dati vengono archiviati in un database e utilizzati per l'analisi e la
visualizzazione quando necessario.1)
La ricerca ha dimostrato che le strutture CNN 3D possono essere
utilizzate per apprendere rappresentazioni 3D e che ciò può essere fatto
in modo più efficiente rispetto ai metodi tradizionali basati su CNN
completamente 3D.2)
I metodi di visualizzazione 3D basati su GPU consentono una
demarcazione spaziale più sofisticata e accurata.3)
La modellazione 3D è uno strumento essenziale nel processo di
progettazione e simulazione architettonica. Consente valutare la
sicurezza delle strutture e di aumentare la precisione dei progetti.
I dati spaziali 3D sono utilizzati nella ricerca sui cambiamenti
dell'ecosistema e nella gestione dei disastri. Ad esempio, la
modellazione geologica 3D viene utilizzata per l'esplorazione delle
acque sotterranee e la ricerca geologica.4)
I dati 3D utilizzati per sviluppare ambienti immersivi e migliorare
l'esperienza dell'utente. Questo applicato in diversi settori, tra cui
l'istruzione, la sanità e l'intrattenimento.
Le tecnologie di elaborazione dei dati spaziali 3D stanno avanzando
rapidamente in vari campi, in particolare l'acquisizione di dati a nuvola
di punti e il rilevamento di oggetti nello spazio 3D tramite sensori LiDAR. 3- -
Queste tecnologie rivoluzionando i veicoli autonomi, le applicazioni
mediche, l'automazione industriale, i sistemi di sorveglianza della
sicurezza e gli ambienti VR/AR. Questo rapporto di ricerca fornisce una
comprensione di base delle tecnologie di elaborazione dei dati spaziali
3D e spiega come vengono applicate in vari settori.
1) Bai, X., Zhou, J., Ning, X. e Wang, C. (2022). Calcolo e visualizzazione di dati 3D.
Display, 73, 102169.
2) Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H., & Lee, K. M. (2020).
Convoluzione triplanare con kernel 2D condivisi per la classificazione 3D e il
recupero di forme. Computer Vision and Image Understanding, 193, 102901.
3) Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). Un nuovo metodo per la prospezione
regionale basato sulla moderna grafica 3D. Minerali.
4) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B.
(2020). Nuove conoscenze stratigrafiche regionali da un modello geologico 3D
del sottobacino di Nasia, in Ghana, sviluppato per scopi idrogeologici e basato
su dati di campo B rielaborati, originariamente raccolti per l'esplorazione
mineraria. Solid Earth, 11, 349-361.4- -
2. Raccolta di dati Point CLoud con sensori LiDAR
L'acquisizione di dati a nuvola di punti mediante sensori LiDAR svolge
un ruolo importante in un'ampia gamma di applicazioni ed è
particolarmente adatta per l'acquisizione di dati 3D ad alta risoluzione.
La tecnologia LiDAR emette impulsi laser per ricevere i segnali riflessi
dagli oggetti e calcola le informazioni sulla distanza in base ad essi.
Queste informazioni vengono memorizzate in un formato di nuvola di
punti, dove ogni punto contiene le coordinate X, Y e Z e l'intensità della
riflessione.
Le nuvole di punti LiDAR possono essere diversi campi, tra cui la
urbana, il ambientale e la gestione delle risorse. Le nuvole di punti
vengono poi convertite in 3D o in dati GIS mediante post-elaborazione
per il denoising, l'allineamento e la ricostruzione della superficie. In
questo processo vengono utilizzati diversi software, in particolare
metodi di visualizzazione 3D basati su GPU, che consentono una
delimitazione spaziale più sofisticata.5)
I dati LiDAR svolgono un ruolo importante anche nei sistemi di
percezione dei veicoli autonomi. L'elaborazione delle nuvole di punti
LiDAR e l'addestramento nel campo della guida autonoma hanno
contribuito alla percezione accurata dell'ambiente stradale e al
rilevamento degli oggetti.6) Questi dati sono essenziali per la costruzione
di mappe 3D ad alta risoluzione e in tempo reale, che veicoli autonomi
di navigare in sicurezza in condizioni stradali complesse.
punti LiDAR possono essere anche nella Ad esempio, i dati raccolti da
LiDAR montati su aerei possono essere utilizzati per ricostruire modelli
3D di formazioni geologiche, che contribuiscono all'esplorazione delle
acque sotterranee o alla ricerca geologica.7) Questa modellazione
geologica 3D consente nuove interpretazioni geologiche e aiuta a
comprendere meglio le caratteristiche geologiche di un'area.
I vantaggi della tecnologia LiDAR includono l'acquisizione di dati ad alta
velocità e l'elevata precisione, ma presenta dei limiti il costo
relativamente elevato e le prestazioni in caso di pioggia o Per superare
queste limitazioni tecniche sono in corso ricerche e sviluppi che 5- -
consentono utilizzare la tecnologia LiDAR in un'ampia gamma di settori.
Un sensore LiDAR (Light Detection and Ranging) è una tecnologia che
utilizza un laser per misurare la superficie di un oggetto e i dati possono
essere utilizzati per ottenere informazioni spaziali 3D. La nuvola di
punti generata da un sensore LiDAR è un insieme di molti punti
distribuiti nello spazio 3D, ognuno dei quali può essere descritto da
elevazione, distanza e posizionamento.
5) Bai, X., Zhou, J., Ning, X. e Wang, C. (2022). Calcolo e visualizzazione di dati 3D.
Display, 73, 102169.
6) Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J. (2023).
Compressione, elaborazione e apprendimento delle nuvole di punti Lidar per la
guida autonoma. IEEE Transactions on Intelligent Transportation Systems, 24,
962-979.
7) Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & Banoeng-Yakubo, B.
(2020). Nuove conoscenze stratigrafiche regionali da un modello geologico 3D
del sottobacino di Nasia, in Ghana, sviluppato per scopi idrogeologici e basato
su dati di campo B rielaborati, originariamente raccolti per l'esplorazione
mineraria. Solid Earth, 11, 349-361.6- -
travi. Questi dati fondamentali per la percezione dell'ambiente
circostante da parte dei veicoli autonomi, per la modellazione
architettura e ingegneria civile e per la mappatura 3D.
3. Tecnologia di rilevamento degli oggetti 3D
Il rilevamento di oggetti 3D è una tecnologia importante per il
riconoscimento e la localizzazione di oggetti nello spazio 3D ed
essenziale in diversi campi, tra cui i veicoli autonomi, la e la realtà
aumentata. basa principalmente su dati 3D raccolti tramite LiDAR,
telecamere RGB-D e sistemi di visione stereo.
Utilizza le nuvole di punti generate da LiDAR per riconoscere la
posizione e la forma degli oggetti. I modelli di deep learning come
PointNet sono ampiamente utilizzati in questo campo e questi metodi
sono essenziali per generare mappe 3D ad alta risoluzione e in tempo
reale.8)
È una tecnica di rilevamento degli oggetti che combina immagini 2D
ottenute da telecamere RGB con informazioni 3D. Questo metodo
migliora le prestazioni di rilevamento aggiungendo informazioni sul
colore e sul modello dell'oggetto. Studi recenti hanno proposto metodi
come FusionRCNN, che combina immagini LiDAR e di telecamere per
migliorare l'accuratezza del rilevamento.9)
Le strutture di profondo, come le reti neurali convoluzionali (CNN) e le
reti neurali ricorrenti (RNN), sono utilizzate per e riconoscere le
caratteristiche degli 3D. Questi modelli migliorano l'accuratezza della
classificazione degli oggetti e della stima della posizione sulla base di set
di dati, il che particolarmente importante per il riconoscimento degli
ostacoli nei veicoli autonomi.10)
Viene utilizzato per aumentare la sicurezza di guida rilevando ostacoli e
pedoni sulla strada. ricerche attive in questo settore per fondere le
nuvole di punti LiDAR con i dati di visione per un rilevamento più
preciso.11)
Aiuta il robot a comprendere e interagire con l'ambiente circostante.
particolarmente importante per determinare l'esatta posizione degli 7- -
oggetti, per aiutare il robot a pianificare il suo percorso e a eseguire i
compiti.
Riconoscere e reagire agli oggetti in tempo reale per migliorare
l'esperienza dell'utente. Ad esempio, nella realtà aumentata la posizione
e la forma degli oggetti devono essere determinate con precisione per
migliorare l'interazione con gli oggetti virtuali.
8) Qian, R., Lai, X. e Li, X. (2021). Rilevamento di oggetti 3D per la guida autonoma:
Pattern Recognition, 130, 108796.
9) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L., & Li, J. (2023).
FusionRCNN: fusione LiDAR-Camera per il rilevamento di oggetti 3D in due fasi.
Telerilevamento, 15, 1839.
10) Fan, L., Yang, Y., Wang, F., Wang, N., & Zhang, Z. (2023). Rilevamento di
oggetti 3D super-sparsi. IEEE Transactions on Pattern Analysis and Machine
Intelligence, 45, 12490-12505.
11) Xu, X., Dong, S., Xu, T., Ding, L., Wang, J., Jiang, P., Song, L., & Li, J. (2023).
FusionRCNN: fusione LiDAR-Camera per il rilevamento di oggetti 3D in due fasi.
Telerilevamento, 15, 1839.8- -
Queste tecnologie continua evoluzione e forniscono soluzioni di
rilevamento degli oggetti 3D più precise ed efficienti. I progressi della
ricerca e della tecnologia stanno migliorando significativamente
l'accuratezza del riconoscimento in ambienti reali.
Il rilevamento di oggetti 3D è l'identificazione e la classificazione
accurata di oggetti specifici nello spazio 3D, supportata da varie
tecniche di elaborazione dei dati spaziali 3D. Recentemente, le tecniche
basate sul deep learning state applicate attivamente al rilevamento di
oggetti 3D. Le tecnologie più rappresentative VoxelNet, PointNet e
PointRCNN.
3.1 VoxeLNet
VoxelNet è un'innovativa architettura di deep learning progettata
specificamente per rilevare oggetti 3D utilizzando nuvole di punti, un
aspetto critico nei sistemi di guida autonoma. L'architettura adotta un
approccio unico, convertendo i dati grezzi delle nuvole di punti in una
griglia strutturata di voxel 3D per consentire un'elaborazione e
un'estrazione efficiente delle caratteristiche. La conversione in una
rappresentazione voxel è perché consente a VoxelNet di utilizzare
efficacemente la convoluzione 3D per catturare le informazioni spaziali,
garantendo al contempo l'efficienza computazionale. Questa efficienza è
essenziale per le applicazioni in tempo reale, come quelle necessarie per
la guida autonoma.
La forza di VoxelNet risiede nella sua capacità di incorporare un nuovo
livello di codifica delle caratteristiche che aumenta notevolmente il
potere rappresentativo di ciascun voxel. Questo si ottiene tenendo conto
delle caratteristiche uniche dei punti contenuti in ogni voxel,
migliorando la capacità della rete di rilevare e classificare gli oggetti
all'interno di ambienti complessi.12) Questa fase di codifica delle
caratteristiche è per risolvere i problemi causati dalla natura irregolare
e rada dei dati delle nuvole di punti, che è difficile da gestire con le
tradizionali reti neurali convoluzionali 2D.
La ricerca ha dimostrato che VoxelNet ha apportato contributi
significativi al campo del rilevamento di oggetti 3D. Ad esempiola 9- -
capacità della sua architettura di fornire un'elevata precisione
mantenendo l'efficienza computazionale la rende una scelta
preferenziale per le applicazioni inter-implementazione nei veicoli
autonomi.13) Inoltre, l'integrazione della rappresentazione rada di
VoxelNet le consente di gestire efficacemente le grandi quantità di dati
che sono comuni negli scenari di guida autonoma.
Lo sviluppo di VoxelNet rappresenta un progresso significativo
nell'elaborazione dei dati 3D e pone le basi per le future innovazioni
nella tecnologia di guida autonoma. Affronta le sfide principali in
questo campo combinando un'efficiente voxelizzazione con tecniche
avanzate di codifica delle caratteristiche.14) Questo non solo migliora
l'accuratezza del rilevamento, ma consente anche un'applicazione più
sofisticata.
12) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun. (2019). Deep
Learning per le nuvole di punti 3D: un'indagine. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 43, 4338-4364.
13) Wang, X., Cai, M., Sohel, F., Sang, N., & Chang, Z. (2021). Perturbazioni
avversarie delle nuvole di punti contro il rilevamento di oggetti 3D nei sistemi di
guida autonoma. Neurocomputing, 466, 27-36.
14) Chen, W., Li, P., & Zhao, H. (2022). MSL3D: rilevamento di oggetti 3D da
monoculari, stereo e nuvole di punti per la guida autonoma. Neurocomputing,
494, 23-32.10- -
VoxelNet sta spingendo i confini dello sviluppo di sistemi di percezione
3D. Con le sue potenti prestazioni e il suo approccio innovativo,
VoxelNet continua a influenzare ricerca e lo sviluppo in corso nei campi
dell'elaborazione delle nuvole di punti 3D e dei sistemi autonomi.15)
VoxelNet è un modello innovativo per il rilevamento di oggetti 3D che
elabora i dati delle nuvole di punti convertendoli in griglie 3D (voxel).
Ogni voxel rappresenta un punto nella nuvola di punti, il che consente
al modello di elaborare informazioni spaziali in modo più efficace.
VoxelNet utilizza queste informazioni sui voxel rilevare gli oggetti e fare
previsioni. Il vantaggio questo approccio è che è efficiente e veloce
nell'elaborare grandi quantità di dati di nuvole di punti.
3.2 PointNet
PointNet è un'architettura di deep learning innovativa che rivoluziona
l'elaborazione dei dati delle nuvole di punti 3D consumando
direttamente insiemi di punti non ordinati. A differenza dei metodi
tradizionali che richiedono input strutturati, PointNet utilizza funzioni
di simmetria per garantire l'invarianza di permutazione, le relazioni
spaziali tra i punti in modo che l'rimanga indipendentemente dall' dei
punti di input.
L'innovazione chiave di PointNet è l'uso di perceptron (MLPe di maxpooling.
Questa architettura aggrega in modo efficiente le
caratteristiche dei singoli punti in una rappresentazione globale,
particolarmente utile per compiti come la classificazione e la
segmentazione. Grazie alla sua capacità di e accurato punti di grandi
dimensioni, è un modello fondamentale nel settore e ha ispirato
numerose architetture successive basate sui suoi principi.
L'impatto di PointNet va oltre la ricerca accademica e si estende alle
implementazioni pratiche in settori come la guida autonoma e il
riconoscimento dei robot. Ad esempio, nei sistemi autonomi, PointNet è
stato utilizzato per elaborare i dati LiDAR e migliorare il rilevamento
degli oggetti e la navigazione, identificando e classificando gli oggetti da
una prova all'altra.16) Il design di PointNet gli consente di gestire
efficacemente le complessità associate ai dati 3D, come le occlusioni e le 11- -
variazioni nella densità dei punti, rendendolo uno strumento versatile
nelle applicazioni di computer vision.
I progressi apportati da PointNet hanno portato all'adattamento di
PointNet in una varietà di contesti innovativi. Ad esempio, è stato
applicato per classificare i dati LiDAR aviotrasportati, migliorando
l'accuratezza e l'efficienza delle operazioni di telerilevamento.17)
L'adattabilità di PointNet ha portato anche alla sua integrazione con reti
neurali basate sulla fisica per analizzare la propagazione delle crepe.
15) Yang, Y., Chen, F., Wu, F., Zeng, D., Ji, Y. e Jing, X. (2020). Rete di
apprendimento semantico multi-vista per il rilevamento di oggetti 3D basato su
nuvole di punti. Neurocomputing, 397, 477-485.
16) Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun. (2019). Deep
Learning per le nuvole di punti 3D: un'indagine. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 43, 4338-4364.
17) Nong, X., Bai, W., & Liu, G. (2023). Classificazione delle nuvole di punti LiDAR
aviotrasportate mediante la rete PointNet++ con caratteristiche di prossimità
complete. PLOS ONE, 18.12- -
e simulazioni fluidodinamiche, e ha dimostrato di poter risolvere
problemi industriali complessi.18)
Pointnet continua a essere un punto di riferimento nell'elaborazione dei
dati 3D, facendo progredire in modo significativo la capacità dei modelli
di deep learning di elaborare i dati delle nuvole di punti. Il suo impatto è
evidente sia nei progressi teorici che nelle applicazioni pratiche, a
dimostrazione della sua continua rilevanza e adattabilità nel panorama
in evoluzione dell'intelligenza artificiale e dell'apprendimento
automatico.19)
PointNet è un modello elaborare direttamente i dati delle nuvole di
punti e di riconoscere gli oggetti nello spazio 3D indipendentemente
dall'ordine di ciascun punto. PointNet estrae le caratteristiche dei punti
ed esegue la classificazione e la segmentazione sulla base di esse.
Questo modello è in grado di gestire la natura non strutturata delle
nuvole di punti e può essere utilizzato in vari campi come la guida
autonoma, la robotica e l'analisi delle immagini mediche.
3.3 PuntoRCNN
PointRCNN è un framework importante nel campo del rilevamento di
oggetti 3D, soprattutto per applicazioni come la guida autonoma. Il
framework utilizza un processo di rilevamento in due fasi per
migliorare l'accuratezza e l'efficienza del rilevamento degli oggetti nei
dati delle nuvole di punti 3D. La prima fase consiste nel generare
suggerimenti di oggetti attraverso una rete di suggerimenti locali basati
su punti. Questa fase è perché lavora direttamente sui dati grezzi della
nuvola di punti, preservando le informazioni spaziali dettagliate che
possono andare perse nei metodi tradizionali che si basano su
proiezioni di immagini o voxelizzazione.
Nella seconda fase, PointRCNN perfeziona la proposta iniziale
eseguendo la del rettangolo di selezione 3D. In questo modo, le
dimensioni e l'orientamento del vengono adattati agli oggetti rilevati
all'interno dei dati della nuvola di punti. Utilizzando le caratteristiche
estratte direttamente dalla nuvola di punti grezza, PointRCNN raggiunge
una maggiore precisione nel rilevamento soprattutto in ambienti 13- -
difficili con geometria complessa e occlusioni.
Uno dei principali vantaggi di PointRCNN è la sua di apprendere endto-end.
Questa architettura facilita la perfetta integrazione degli stadi
della rete, migliorando non solo le prestazioni di rilevamento del
modello, ma anche la sua efficienza computazionale, rendendolo adatto
ad applicazioni in tempo reale, come quelle richieste dai sistemi di
guida autonoma.
La ricerca ha dimostrato che i metodi che utilizzano i dati delle nuvole
di punti possono migliorare significativamente la comprensione e
l'interpretazione delle scene 3D in situazioni di guida autonoma. Ad
esempio, l'uso di algoritmi di rilevamento di più bersagli basati su
PointRCNN e di tecniche di fusione di nuvole di punti voxel può essere
utilizzato in scenari dinamici grazie alla loro versatilità e alla loro
capacità di gestire i dati.
18) Kashefi, A., & Mukerji, T. (2022). Physics-informed PointNet: un risolutore di
deep learning per flussi incomprimibili allo stato stazionario e campi termici su
serie multiple di geometrie irregolari. Journal of Computational Physics, 468,
111510.
19) Wang, L. e Huang, Y. (2022). Un'indagine sulle nuvole di punti 3D e sugli
approcci basati sull'apprendimento profondo per la comprensione della scena
nella guida autonoma. IEEE Intelligent Transportation Systems Magazine, 14,
135-154.14- -
Inoltre, le indagini nel campo delle nuvole di punti 3D e degli approcci
di deep learning la crescente importanza di questi framework per la
comprensione della scena nella guida autonoma.20)
Nel complesso, PointRCNN rappresenta un progresso significativo nella
tecnologia di rilevamento degli oggetti 3D. La capacità di elaborare
direttamente i dati grezzi punti e l'efficiente processo di rilevamento in
due fasi ne uno strumento potente per il della guida autonoma, dove il
rapido e accurato degli oggetti è fondamentale per la sicurezza e le
prestazioni.
PointRCNN è una tecnologia che utilizza una CNN (rete neurale
convoluzionale) basata su PointNet per il rilevamento di oggetti 3D ed
elabora efficacemente i dati delle nuvole di punti rilevare con
precisione gli oggetti. PointRCNN è una tecnologia che estende l'attuale
metodo di rilevamento degli oggetti 2D agli ambienti 3D e viene
applicata al riconoscimento degli oggetti dei veicoli autonomi e al
riconoscimento dell'ambiente dei robot.
4. Applicazioni
Le PointRCNN svolgono un ruolo essenziale nei sistemi di guida
autonoma e sono utilizzate per riconoscere e seguire con precisione gli
oggetti nell'ambiente circostante. degli oggetti tramite punti 3D può
aiutare i veicoli a gli ostacoli stradali con un elevato grado di precisione,
anche in situazioni di traffico complesse.22)
Il robot utilizza la tecnologia di rilevamento degli oggetti 3D per
interagire con l'ambiente. PointRCNN consente al robot di comprendere
l'ambiente di volta in volta e di eseguire i compiti necessari.24)
Per inserire senza problemi gli oggetti virtuali nel mondo reale in un
ambiente AR, necessario un rilevamento accurato degli oggetti nello
spazio 3D. PointRCNN un ruolo importante in questo compito.
I droni devono essere in grado di riconoscere ed evitare vari ostacoli
durante il volo. PointRCNN può essere utilizzato per rilevare gli oggetti
in tempo reale dai dati dei sensori del drone e impostare una rotta di
volo sicura.25)15- -
20) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022). Algoritmo di
rilevamento dinamico di più obiettivi per la fusione di nuvole di punti voxel
basato su PointRCNN. IEEE Transactions on Intelligent Transportation Systems,
23, 20707-20720.
21) Wang, L. e Huang, Y. (2022). Un'indagine sulle nuvole di punti 3D e sugli
approcci basati sull'apprendimento profondo per la comprensione della scena
nella guida autonoma. IEEE Intelligent Transportation Systems Magazine, 14,
135-154.
22) Qian, R., Lai, X. e Li, X. (2021). Rilevamento di oggetti 3D per la guida
autonoma: Pattern Recognition, 130, 108796.
23) Mao, J., Shi, S., Wang, X. e Li, H. (2022). Rilevamento di oggetti 3D per la
guida autonoma: International Journal of Computer Vision, 131, 1909-1963.
24) Wang, L. e Huang, Y. (2022). Un'indagine sulle nuvole di punti 3D e sugli
approcci basati sull'apprendimento profondo per la comprensione della scena
nella guida autonoma. IEEE Intelligent Transportation Systems Magazine, 14,
135-154.
25) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D. e Mouzakitis, A.
(2019).16- -
PointRCNN viene applicato alla modellazione e all'analisi 3D degli
ambienti urbani, fornendo importanti indicazioni per la pianificazione
e la gestione urbana. Ciò contribuire a migliorare l'efficienza dei
trasporti e la sicurezza nelle città.
In queste applicazioni, le PointRCNN sono molto utili in situazioni in cui
è richiesta un'elevata precisione e un'elaborazione in tempo reale. Le
ricerche dimostrano che tecniche come gli algoritmi di rilevamento di
più bersagli basati sulle PointRCNN dimostrando le loro prestazioni e la
loro efficienza in queste applicazioni.26) Le PointRCNN contribuiscono a
massimizzare l'accuratezza e l'efficienza del rilevamento di oggetti 3D,
che importante per lo sviluppo di veicoli autonomi e altri sistemi
avanzati.
La tecnologia di elaborazione dei dati spaziali 3D utilizzata in molti
settori diversi. Alcune delle principali applicazioni includono
4.1 Veicoli autonomi
I veicoli sono veicoli che utilizzano una tecnologia avanzata per guidarsi
da soli senza l'intervento umano. Questi veicoli utilizzano una serie di
sensori, telecamere, radar, LiDAR e altro ancora per acquisire una
precisa consapevolezza dell'ambiente circostante. Queste tecnologie,
unite all'elaborazione dei dati in tempo reale, sono essenziali per
determinare percorsi di guida sicuri.
In particolare, la tecnologia di rilevamento degli oggetti 3D è una
componente chiave dei veicoli autonomi, in quanto svolge un ruolo
importante nel rilevare e riconoscere con precisione gli oggetti intorno
al veicolo. PointRCNN, ad esempio, sfrutta i dati delle nuvole di punti
per consentire un'analisi ad alta risoluzione dell'ambiente circostante il
veicolo. Ciò consente ai veicoli autonomi riconoscere in tempo reale
pedoni, altri veicoli, segnali stradali e altro ancora, per garantire una
guida sicura.27)
I veicoli autonomi anche la capacità di apprendere i modelli di guida e
di adattarsi alle diverse situazioni di guida applicando le tecnologie di
apprendimento automatico e di intelligenza artificiale. Queste 17- -
tecnologie contribuiscono migliorare la sicurezza, l'efficienza e
l'esperienza dell'utente. In particolare, la tecnologia di fusione di più
sensori migliora l'accuratezza del rilevamento degli oggetti 3D,
prestazioni affidabili in una varietà di ambienti.28)
Un'indagine sui metodi di rilevamento degli oggetti 3D per le applicazioni di
guida autonoma. IEEE Transactions on Intelligent Transportation Systems, 20,
3782-3795.
26) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022). Algoritmo di
rilevamento dinamico di più obiettivi per la fusione di nuvole di punti voxel
basato su PointRCNN. IEEE Transactions on Intelligent Transportation Systems,
23, 20707-20720.
27) Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022). Algoritmo di
rilevamento dinamico di più obiettivi per la fusione di nuvole di punti voxel
basato su PointRCNN. IEEE Transactions on Intelligent Transportation Systems,
23, 20707-20720.
28) Wang, X., Li, K., & Chehri, A. (2024). Tecnologia di fusione multi-sensore per
il rilevamento di oggetti 3D nella guida autonoma: IEEE Transactions on
Intelligent Transportation Systems, 25, 1148-1165.18- -
I veicoli autonomi un'area chiave di innovazione nei futuri sistemi di
trasporto grazie alla convergenza di algoritmi complessi e tecnologie di
sensori. Queste tecnologie hanno un impatto positivo sulla società nel
suo complesso, riducendo la congestione del traffico, incidenti stradali
e consentendo un flusso di traffico più efficiente.29)
I veicoli autonomi utilizzano i sensori LiDAR e la tecnologia di
rilevamento degli oggetti 3D per percepire e analizzare l'ambiente
circostante in tempo reale. Ciò consente di evitare gli ostacoli,
riconoscere i pedoni, analizzare gli incroci e per massimizzare la
sicurezza e l'efficienza di guida del veicolo.
4.2 Assistenza sanitaria
Le tecniche di rilevamento di oggetti 3D in campo medico, in particolare
quelle come PointRCNN, un'ampia gamma di potenziali applicazioni.
Queste tecnologie sono utilizzate principalmente nell'imaging medico,
nella robotica chirurgica, nei sistemi di monitoraggio dei pazienti, ecc.
La tecnologia di rilevamento degli oggetti in 3D aiuta individuare con
precisione le lesioni nelle immagini di TAC, risonanza magnetica ed
ecografia. È particolarmente importante in campi come la radiologia,
dove può essere combinata con sistemi diagnostici assistiti da computer
che utilizzano l'intelligenza artificiale e l'apprendimento automatico per
migliorare l'accuratezza diagnostica.30)
Nei sistemi robotici chirurgici, la tecnologia di rilevamento degli oggetti
in 3D consente un riconoscimento accurato dei tessuti e degli organi
circostanti durante l'intervento, contribuendo a garantire una chirurgia
sicura e precisa. Insieme ai progressi dell'intelligenza artificiale medica,
ciò può migliorare notevolmente l'efficienza e la sicurezza della
chirurgia.31)
I sensori 3D e la tecnologia di rilevamento degli oggetti possono
analizzare i movimenti e i segni vitali del paziente in tempo reale per
rilevare le anomalie in una fase iniziale. Queste tecnologie essere
combinate con sistemi di monitoraggio del paziente basati
sull'intelligenza artificiale per seguire e gestire costantemente le 19- -
condizioni del paziente.32)
Combinata con la realtà virtuale (VR), potrebbe essere utilizzata per
l'educazione e la formazione medica. Tecnologia di rilevamento degli
oggetti 3D
29) Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., & Mouzakitis,
A. (2019). Un'indagine sui metodi di rilevamento degli oggetti 3D per le
applicazioni di guida autonoma. IEEE Transactions on Intelligent
Transportation Systems, 20, 3782-3795.
30) Hadjiiski, L. M., Cha, K. H., Chan, H., Drukker, K., Morra, L., Näppi, J.,
Sahiner, B., Yoshida, H., Chen, Q., Deserno, T., Greenspan, H, Huisman, H.,
Huo, Z., Mazurchuk, R., Petrick, N., Regge, D., Samala, R. K., Summers, R.,
Suzuki, K., ... & Armato, S. (2022). Rapporto 273 del gruppo di lavoro AAPM:
Raccomandazioni sulle migliori pratiche per l'IA e l'apprendimento automatico
per la diagnosi assistita da computer nell'imaging medico. Fisica medica.
31) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Biotechnology and
Genetic Engineering Reviews, None, 1-50.
32) Almagharbeh, W. (2024). L'impatto dei sistemi di supporto decisionale basati
sull'intelligenza artificiale sui flussi di lavoro infermieristici nelle unità di cure
critiche. International nursing review, None.
[8] Wang, L., Chen, X., Zhang, L., Li, L., Huang, Y., Sun, Y., & Yuan, X. (2023).
L'intelligenza artificiale nei sistemi di supporto alle decisioni cliniche in
oncologia. International Journal of Medical Sciences, 20, 79-86.20- -
un ruolo importante nell'aiutare i medici e gli operatori sanitari a
simulare interventi chirurgici e diagnosi, consentendo l'apprendimento
in un ambiente realistico.33)
Queste applicazioni contribuiscono ad aumentare l'accuratezza della
diagnosi e del trattamento in campo medico e a migliorare la sicurezza
generale. In particolare, la tecnologia di rilevamento degli oggetti in 3D
combinata con l'IA sta accelerando l'innovazione nel settore sanitario e
sta diventando uno strumento importante per migliorare la salute e la
sicurezza dei pazienti. Questi studi forniscono nuove prospettive sulle
implicazioni commerciali, normative e sociali dell'IA medica.34)
In campo medico, l'elaborazione dei dati spaziali 3D utilizzata per
diagnosi precise e pianificazione chirurgica. I dati delle nuvole di punti
provenienti da immagini mediche 3D, come scansioni TC o risonanze
magnetiche, vengono utilizzati per visualizzare il sito chirurgico e
misurarne l'esatta posizione e dimensione per migliorare la precisione
dell'intervento.
4.3 Automazione industriale e robotica
Le tecnologie di rilevamento degli oggetti 3D, in particolare modelli
come PointRCNN, stanno rivoluzionando il campo dell'automazione
industriale e della robotica. Queste tecnologie migliorano
significativamente l'efficienza e l'accuratezza in un'ampia gamma di
settori e svolgono un ruolo importante nelle seguenti aree specifiche
La tecnologia di rilevamento degli oggetti 3D è essenziale per i sistemi
robotici che riconoscono e smistano gli oggetti all'interno di un
magazzino. Consente ai robot di riconoscere con precisione oggetti di
dimensioni e forme diverse, permettendo loro di eseguire operazioni di
spostamento e smistamento efficienti. Queste tecnologie aumentano
l'efficienza dei processi industriali e facilitano l'automazione dei sistemi
logistici.35)
Quando i robot industriali assemblano automaticamente i pezzi, il
rilevamento degli oggetti 3D aumenta l'efficienza dell'assemblaggio
riconoscendo l'esatta posizione e l'orientamento dei pezzi. Ciò
contribuisce in modo significativo ad aumentare i tassi di produzione e 21- -
a ridurre i tassi di difettosità e un ruolo importante negli ambienti di
produzione intelligente.36)
Vengono utilizzati per ispezionare la geometria e le dimensioni dei
prodotti utilizzando la tecnologia di scansione 3D e un ruolo importante
nel garantire la qualità dei prodotti, nel rilevare tempestivamente i
difetti e nel ridurre i costi. Queste parti automatizzate
33) Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020). Previsione
del rischio di cancro al polmone basata sull'intelligenza artificiale utilizzando le
cartelle cliniche elettroniche non di imaging: approccio di apprendimento
profondo. Journal of Medical Internet Research, 23.
34) Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023). Biotechnology and
Genetic Engineering Reviews, None, 1-50.
35) Höfer, S., Bekris, K. E., Handa, A., Gamboa, J. C., Mozifian, M., Golemo, F.,
Atkeson, C.,
Fox, D., Goldberg, K., Leonard, J., Liu, C., Peters, J., Song, S., Welinder, P., &
White, M. (2021). Sim2Real in robotica e automazione: applicazioni e sfide. IEEE
Transactions on Automation Science and Engineering, 18, 398-400.
36) Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S. e Kim, H. (2021).
Automazione dell'assemblaggio robotico basata sull'apprendimento per la
produzione intelligente. Atti dell'IEEE, 109, 423-440.22- -
I sistemi di ispezione di qualità aumentano l'affidabilità dei prodotti.37)
Per aumentare la sicurezza dei robot e dei sistemi di automazione, viene
utilizzata la tecnologia di rilevamento degli oggetti in 3D. Ciò consente
ai di riconoscere le o gli nelle vicinanze in sicurezza. Questi
meccanismi di sicurezza contribuiscono a ridurre gli incidenti negli
ambienti industriali.38)
Per i veicoli autonomi o i droni è essenziale rilevare gli oggetti e
pianificare i loro percorsi. La tecnologia di rilevamento degli oggetti in
3D questi sistemi di operare in modo efficiente, evitare gli ostacoli ed
eseguire le consegne in modo sicuro.39)
In queste aree, le tecnologie di rilevamento degli oggetti 3D guidando
l'innovazione nell'automazione industriale, contribuendo ad aumentare
la produttività, ridurre i costi e migliorare la sicurezza. In futuro, queste
tecnologie continueranno a essere parte integrante dell'evoluzione della
robotica e dei sistemi di automazione. La ricerca ha dimostrato che
l'applicazione di queste tecnologie sta contribuendo in modo
significativo ad aumentare l'efficienza dei processi industriali e a gestire
la complessità dei sistemi automatizzati.40)
Nell'automazione industriale e nella robotica, l'elaborazione dei dati
spaziali 3D viene utilizzata per aumentare l'efficienza dei processi
produttivi e automatizzare le ispezioni di qualità. I robot utilizzano
sensori LiDAR o telecamere 3D riconoscere i prodotti, individuare le
anomalie e contribuire a risolvere i problemi di qualità.
4.4 Sistemi di sorveglianza della sicurezza
Nei sistemi di sorveglianza di sicurezza, la tecnologia di rilevamento
degli oggetti 3D un ruolo importante nel fornire soluzioni efficaci di
monitoraggio e sicurezza in una varietà di ambienti. Questa tecnologia è
stata particolarmente importante in aree quali il monitoraggio in tempo
reale, il rilevamento delle intrusioni, la prevenzione degli incidenti,
l'analisi dei dati e la creazione di rapporti e l'integrazione
dell'intelligenza artificiale.
Con capacità di monitoraggio in tempo reale, i sistemi di rilevamento di 23- -
oggetti 3D utilizzano telecamere e sensori per analizzare l'ambiente
circostante in tempo reale. Questa analisi in tempo reale consente un
riconoscimento accurato di persone, veicoli e oggetti e fornisce avvisi
immediati in caso di situazioni di pericolo. Ciò è essenziale per
aumentare la sicurezza, soprattutto in ambienti complessi come strade e
aeroporti.
Per quanto riguarda il rilevamento delle intrusioni, la tecnologia di
rilevamento degli oggetti 3D è efficace nel rilevare movimenti o
comportamenti insoliti all'interno di una specifica area di sicurezza.
Questo può portare a un rilevamento precoce dell'avvicinamento di un
intruso e fornire al personale di sicurezza un'informazione immediata.
37) Wang, K., Zhou, J., Li, G., Hu, Y., & Hu, F. (2024). Automazione industriale e
qualità del prodotto: il ruolo della trasformazione della produzione robotizzata.
Economia applicata.
38) Salcic, Z., Atmojo, U., Park, H., Chen, A., & Wang, K. (2019). Progettazione di
sistemi software di automazione e robotica dinamici e collaborativi. IEEE
Transactions on Industrial Informatics, 15, 540-549.
39) Nebot, E. (2018). Robotica: dall'automazione ai sistemi intelligenti. Ingegneria.
40) Mulaveesala, R., Arora, V., Dua, G., Morello, R. e Vavilov, V. (2022). Visione e
automazione industriale. Scienza e tecnologia delle misure, 33.24- -
Impedire l'ingresso non autorizzato in aree protette fornendo allarmi
rossi.
In termini di prevenzione degli incidenti, questi sistemi prevengono gli
incidenti in una varietà di ambienti, compresi i siti industriali, rilevando
precocemente i pericoli e fornendo avvisi. Ad esempio, un sistema di
allarme automatico attivato quando un lavoratore si avvicina a un'area
pericolosa per prevenire un incidente.
Le funzionalità di analisi dei dati e di reporting aiutano a valutare la
situazione della sicurezza e a identificare i problemi attraverso analisi
successive che utilizzano i dati 3D raccolti. Queste analisi forniscono
importanti spunti per la strategia di sicurezza futura e miglioramento
continuo della sicurezza.
Con l'integrazione dell'intelligenza artificiale, la tecnologia di
rilevamento degli oggetti 3D può essere combinata con algoritmi di
apprendimento automatico per creare un sistema di sorveglianza più
intelligente. Ciò al sistema di apprendere modelli e di implementare
meccanismi di allarme e di risposta più sofisticati.
In questo modo, la tecnologia di rilevamento degli oggetti 3D sta
diventando parte integrante dei sistemi di sorveglianza della sicurezza,
contribuendo a soddisfare una serie di esigenze di sicurezza e ad
aumentare la sicurezza delle strutture. Si prevede che queste tecnologie
si evolveranno ulteriormente in futuro, portando a soluzioni di
sorveglianza della sicurezza più sofisticate ed efficienti. Questi progressi
tecnologici evolveranno in sistemi di sicurezza più robusti, soprattutto
grazie all'integrazione con l'intelligenza artificiale.41)
La tecnologia di rilevamento degli oggetti 3D un ruolo importante
anche nei sistemi di sorveglianza della sicurezza. I sensori LiDAR e la
tecnologia di rilevamento degli oggetti 3D utilizzati per individuare gli
intrusi o determinare la presenza di persone nelle vicinanze. anche
analizzare i modelli di comportamento nello spazio 3D per tracciare e
prevenire attività illegali.25- -
41) Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023). Un metodo di
rilevamento di piccoli bersagli a infrarossi basato su un meccanismo di
confronto visivo umano ponderato per il monitoraggio della sicurezza. Remote.
Sens., 15, 2922.26- -
4.5 VR/AR
Nella realtà virtuale (VR) e nella realtà aumentata (AR), la tecnologia di
rilevamento degli oggetti 3D sta migliorando significativamente
l'esperienza dell'utente in una varietà di settori. Il rilevamento degli
oggetti 3D consente agli utenti di interagire con gli oggetti del mondo
reale all'interno di ambienti virtuali, ed è essenziale per le applicazioni
AR che riconoscono l'ambiente circostante in tempo reale per
posizionare e manipolare con precisione gli elementi virtuali. Questo
rende l'esperienza dell'utente più coinvolgente.
Negli ambienti VR, il rilevamento degli oggetti 3D viene utilizzato per
creare simulazioni realistiche. Ciò consente di creare scenari di
formazione in diversi campi, tra cui quello medico, e dell'aviazione,
permettendo ai partecipanti di sperimentare ed esercitarsi in sicurezza
in situazioni reali. L'applicazione della VR/AR, soprattutto nel campo
della sicurezza delle costruzioni, aumenta la consapevolezza della
sicurezza dei lavoratori.42)
Nel settore dei giochi, il rilevamento degli oggetti in 3D offre
un'esperienza grazie al rilevamento accurato del movimento e della
posizione del giocatore. Ciò consente di interagire con i personaggi
virtuali, aumentando il realismo del gioco.
In architettura e ingegneria, la tecnologia AR può essere utilizzata per
visualizzare i modelli di progetto nel mondo reale. Ciò aiutare a
individuare in anticipo gli errori nel processo di progettazione e a
facilitare la comunicazione con i clienti. Queste applicazioni possono
essere particolarmente sinergiche con la sicurezza delle costruzioni.43)
La tecnologia AR aiuta i consumatori a prendere decisioni di acquisto
consentendo loro di sperimentare virtualmente i prodotti. Ad esempio,
consente di collocare i mobili nella propria casa o di provare in anticipo
i colori dei cosmetici. Questo migliora l'esperienza di acquisto e
l'interazione del consumatore.44)
In questo modo, la tecnologia di rilevamento degli oggetti 3D offre
esperienze innovative in VR e AR e viene utilizzata in diversi settori. In
futuro, queste tecnologie continueranno a evolversi, rendendo 27- -
l'interazione tra l'utente e l'ambiente virtuale ancora più fluida e
naturale. amplierà ulteriormente l'uso della tecnologia VR/AR nei settori
dell'istruzione, dell'intrattenimento, del commercio e altro ancora. Allo
stesso tempo, i progressi di queste tecnologie nuove opportunità nel
settore del turismo e dell'ospitalità.45)
42) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Una revisione critica
delle applicazioni di realtà virtuale e aumentata (VR/AR) nella sicurezza delle
costruzioni. Automation in Construction, 86, 150-162.
43) Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Una revisione critica
delle applicazioni di realtà virtuale e aumentata (VR/AR) nella sicurezza delle
costruzioni. Automation in Construction, 86, 150-162.
44) Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A. (2023). Gli
effetti di persuasione dei video pubblicitari in realtà virtuale (VR) e realtà
aumentata (AR): una revisione concettuale". Journal of Business Research.
45) Wei, W. (2019). Progressi della ricerca sulla realtà virtuale (VR) e sulla realtà
aumentata (AR) nel turismo e nell'ospitalità. Journal of Hospitality and Tourism
Technology, 10, 539-570.28- -
Nella realtà virtuale (VR) e nella realtà aumentata (AR), i dati spaziali 3D
svolgono un ruolo importante interazione con gli oggetti del mondo
reale. I dati spaziali 3D collocare correttamente gli oggetti virtuali nel
mondo reale e permettono agli utenti di interagire con essi in modo
naturale.
5. Conclusione
La tecnologia di elaborazione dei dati spaziali 3D rivoluzionando molti
campi, tra cui la guida autonoma, la sanità, l'industria, la sicurezza e la
VR/AR. In particolare, i sensori LiDAR e le tecnologie di rilevamento
degli oggetti 3D svolgendo un ruolo importante in ognuno di questi
campi, contribuendo all'analisi ambientale in tempo reale, a diagnosi e
trattamenti accurati e a sistemi di automazione efficienti. Queste
tecnologie continueranno evolversi e a fornire esperienze più ricche
agli utenti in vari campi.29- -
Riferimenti
1. Abbasi, R., Bashir, A., Alyamani, H. J., Amin, F., Doh, J., & Chen, J.
(2023). Compressione, elaborazione e apprendimento delle nuvole di
punti Lidar per la guida autonoma. IEEE Transactions on Intelligent
Transportation Systems, 24, 962-979.
2. Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., &
Mouzakitis, A. (2019). Un'indagine sui metodi di rilevamento degli
oggetti 3D per le applicazioni di guida autonoma. IEEE Transactions on
Intelligent Transportation Systems, 20, 3782-3795.
3. Bai, X., Zhou, J., Ning, X. e Wang, C. (2022). Calcolo e visualizzazione
di dati 3D. Display, 73, 102169.
4. Beam, A. L., Drazen, J. M., Kohane, I. S., Leong, T., Manrai, A., &
Rubin, E. J. (2023). Intelligenza artificiale in medicina. New England
Journal of Medicine, 388(13), 1220-1221.
5. Campilho, R., & Silva, F. J. G. (2023). Miglioramento dei processi
industriali mediante automazione e robotica. Macchine.
6. Cao, M. e Wang, J. (2020). Rilevamento di ostacoli per veicoli a guida
autonoma con fusione di sensori multi-LiDAR. Journal of Dynamic
Systems Measurement and Control - Transactions of the ASME, 142.
7. Chen, W., Li, P., & Zhao, H. (2022). MSL3D: rilevamento di oggetti 3D
da monoculari, stereo e nuvole di punti per la guida autonoma.
Neurocomputing, 494, 23-32.
8. Chen, Y., Wang, H., Pang, Y., Han, J., Mou, E., & Cao, E. (2023). Un
metodo di rilevamento di piccoli bersagli a infrarossi basato su un
meccanismo di confronto visivo umano ponderato per il monitoraggio
della sicurezza. Remote. Sens., 15, 2922.
9. Dzikunoo, E., Vignoli, G., Jørgensen, F., Yidana, S., & BanoengYakubo,
B. (2020). Nuove conoscenze stratigrafiche regionali da un
modello geologico 3D del sottobacino di Nasia, in Ghana, sviluppato per
scopi idrogeologici e basato dati di campo B rielaborati, originariamente
raccolti per l'esplorazione mineraria. Solid Earth, 11, 349-361.
10. Enríquez, J. G., Ramirez, A. J., Domínguez-Mayo, F. J., & GarcíaGarcía,
J. A. (2020). Automazione robotica dei processi: uno studio
sistematico di mappatura scientifica e industriale. IEEE Access, 8, 39113-
39129.
11. Fan, L., Yang, Y., Wang, F., Wang, N., & Zhang, Z. (2023).
Rilevamento di oggetti 3D super-sparsi. IEEE Transactions on Pattern 30- -
Analysis and Machine Intelligence, 45, 12490-12505.
12. Fernandes, D., Silva, A., Névoa, R., Simões, C., Gonzalez, D. G.,
Guevara, M., Novais, P., Monteiro, J., Melo-Pinto, P., & Melo-Pinto, P.
(2021). Metodi di rilevamento e classificazione di oggetti 3D basati su
nuvole di punti per applicazioni di guida autonoma: un'indagine e una
tassonomia. Information Fusion, 68, 161-191.
13. Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun. (2019).
Profondo31- -
Apprendimento per nuvole di punti 3D: un'indagine. IEEE Transactions
on Pattern Analysis and Machine Intelligence, 43, 4338-4364.
14. Hadjiiski, L. M., Cha, K. H., Chan, H., Drukker, K., Morra, L., Näppi,
J., Sahiner, B., Yoshida, H., Chen, Q., Deserno, T., Greenspan, H.,
Huisman, H., Huo, Z., Mazurchuk, R., Petrick, N., Regge, D., Samala, R.
K., Summers, R., Suzuki, K.,
... & Armato, S. (2022). Rapporto 273 del gruppo di lavoro AAPM:
Raccomandazioni sulle migliori pratiche per l'IA e l'apprendimento
automatico per la diagnosi assistita da computer nell'imaging medico.
Fisica medica.
15. Huang, S. (2019). Realtà aumentata e virtuale: il potere di AR e VR
per le imprese. Information Technology and Tourism, 21, 457-459.
16. Ji, S., Lee, S., Yoo, S., Suh, I., Kwon, I., Park, F., Lee, S. e Kim, H.
(2021).
Automazione dell'assemblaggio robotico basata sull'apprendimento per
la produzione intelligente. Atti dell'IEEE, 109, 423-440.
17. Jayawardena, N. S., Thaichon, P., Quach, S., Razzaq, A., & Behl, A.
(2023). Gli effetti di persuasione dei video pubblicitari in realtà virtuale
(VR) e realtà aumentata (AR): una revisione concettuale". Journal of
Business Research.
18. Kim, E. Y., Shin, S. Y., Lee, S., Lee, K., Lee, K. H. e Lee, K. M. (2020).
Convoluzione triplanare con kernel 2D condivisi per la classificazione
3D e il recupero di forme. Computer Vision and Image Understanding,
193, 102901.
19. Kim, J., Kim, M., Park, M. e Yoo, J. (2022). Tecnologie interattive
immersive ed esperienze di shopping virtuale: Differenze nelle
percezioni dei consumatori tra realtà aumentata (AR) e realtà virtuale
(VR). Telematica e Informatica, 77, 101936.
20. Kusiak, A. (2023). L'iper-automazione nell'industria manifatturiera,
J. Intell. Manuf., 35, 1-2.
21. Li, X., Yi, W., Chi, H., Wang, X., & Chan, A. P. C. (2018). Una
revisione critica delle applicazioni di realtà virtuale e aumentata (VR/AR)
nella sicurezza delle costruzioni. Automation in Construction, 86, 150-
162.
22. Luo, X., Zhou, F., Tao, C., Yang, A., Zhang, P., & Chen, Y. (2022).
Algoritmo di rilevamento dinamico di più obiettivi per la fusione di
nuvole di punti voxel basato su PointRCNN. IEEE Transactions on
Intelligent Transportation Systems, 23, 20707-20720.32- -
23. Mao, J., Shi, S., Wang, X. e Li, H. (2022). Rilevamento di oggetti 3D
per la guida autonoma: International Journal of Computer Vision, 131,
1909-1963.
24. Mulaveesala, R., Arora, V., Dua, G., Morello, R. e Vavilov, V. (2022).
Visione e automazione industriale. Scienza e tecnologia delle misure, 33.
25. Mukherjee, J., Sharma, R., Dutta, P., & Bhunia, B. (2023).
Biotechnology and Genetic Engineering Reviews, None, 1-50.
26. Nebot, E. (2018). Robotica: dall'automazione ai sistemi intelligenti.
Ingegneria.
27. Ren, S., Pan, X., Zhao, W., Nie, B., & Han, B.
(2022). Grafico dinamico33- -
trasformatore per il rilevamento di oggetti 3D. Sistemi basati sulla
conoscenza, 259, 110085.
28. Song, S., Huang, T., Zhu, Q., & Hu, H. (2023). ODSPC: rilevamento di
oggetti 3D basato sull'apprendimento profondo mediante nuvola di
punti semantica. Visual Computer, , 1-15.
29. Wei, W. (2019). Progressi della ricerca sulla realtà virtuale (VR) e
sulla realtà aumentata (AR) nel turismo e nell'ospitalità. Journal of
Hospitality and Tourism Technology, 10, 539-570.
30. Xue, Z., Wu, S., Li, M., & Cheng, K. (2024). Un nuovo metodo per la
prospezione regionale basato sulla moderna grafica 3D. Minerali.
31. Yeh, M. C., Wang, Y., Yang, H., Bai, K., Wang, H., & Li, Y. (2020).
Previsione basata sull'intelligenza artificiale del rischio di cancro al
polmone utilizzando le cartelle cliniche elettroniche non di imaging:
approccio di apprendimento profondo. Journal of Medical Internet
Research, 23.
32. Zhou, Q. (2022). Rilevamento e diagnosi assistiti dal
computer/radiomica/apprendimento automatico/apprendimento
profondo nell'imaging medico. Fisica medica.
'세미나 자료' 카테고리의 다른 글
| 3D térbeli adatfeldolgozási technológia és alkalmazásai (0) | 2025.01.16 |
|---|---|
| Laporan Penelitian: Teknologi Pemrosesan Data Spasial 3D dan Aplikasinya (0) | 2025.01.16 |
| 研究報告書：3D空間データ処理技術及びその応用分野 (0) | 2025.01.16 |
| 3D erdvinių duomenų apdorojimo technologija ir jos taikymas (0) | 2025.01.16 |
| Pētījuma ziņojums: 3D telpisko datu apstrādes tehnoloģija un tās pielietojums (0) | 2025.01.16 |