Otonom araç radar sensörleri için çizge tabanlı nesne sınıflandırma teknikleri

Otomotiv endüstrisi geliştikçe, otonom araçlara durumsal farkındalık sağlayan görsel algılama sistemlerinin önemi hayati hale gelmiştir. Geleneksel derin sinir ağları son on yılda 2D Öklid problemleri çözmede başarılı olmuş olsa da, nokta bulutlarının analizi, özellikle RADAR verisi, düzensiz yapısı ve karmaşık 3D geometrisi nedeniyle 2D sinyal işleme için uygun değildir ve önemli zorluklar çıkarmaktadır. Bu sorunu çözmek için, bu tezde RADAR nokta bulutları için Çizge ve Dönüştürücü tabanlı sınıflandırma yöntemleri kullanarak iki yeni metot önerilmektedir. Bu çalışmaların yenilikçi yönü, Çizge ve/veya Dönüştürücü tabanlı yöntemler kullanılarak nesne nokta tespiti yapılabilen bir yapı geliştirmekte yatmaktadır. Oluşturulan her bir model, baştan sona derin öğrenme yapısını kullanırken RADAR noktaları ve öznitelik vektörleri üzerinde çizge evreşimlerini içermektedir. Öznitelik vektörleri, sensör verilerinin bağlamsal bir temsili oluşturmak amacıyla GSP çatısı altında üretilmektedir. Kapsamlı derin öğrenme yöntemlerine yönelik eğilimin popülaritesi artmaya devam ederken, her ikisi de çizge tabanlı algoritmalar kullanılarak oluşturulan RADAR-DGCNN ve RADAR-PointNGCNN yöntemler önerilmektedir. Başlangıçta önerdiğimiz yaklaşımlarımız çoğunlukla çizge ile ilişkilendirilen yöntemleri kullanırken, sınıflandırma sonuçlarını GSP çatısı altında bir Dönüştürücü ağına uyarlama ile iyileştirilmiştir. Önerilen yöntemlerimizin etkinliğini doğrulamak için halka açık nuScenes ve RadarScenes nokta bulutu veri kümelerini kullanarak deneyler gerçekleştirilmiştir. Bu zorlu karşılaştırmalı veri kümeleri üzerinde yapılan geniş kapsamlı deneylerle, önerilen yöntemimizin RADAR nokta bulutu üzerindeki performans açısından mevcut en iyi temel yöntemleri geride bıraktığı görülmüştür.