可靠的点云数据对于机器人技术和自主驾驶应用程序中的感知任务\ textit {efextit {e.g。}至关重要。不利的天气会导致特定类型的噪声检测和范围(LIDAR)传感器数据,从而大大降低了点云的质量。为了解决这个问题,这封信提出了一种新颖的点云不利天气,使深度学习算法(4Denoisenet)。我们的算法利用了时间维度,与文献中深度学习不利的天气变质方法不同。与以前的工作相比,它的交集比联合度量的交点更好10 \%,并且在计算上更有效。这些结果是在我们的新型Snowkitti数据集上实现的,该数据集具有40000多个不良天气注释点云。此外,对加拿大不利驾驶条件数据集的强烈定性结果表明,对域移动和不同传感器内在的可推广性良好。
translated by 谷歌翻译