一文聊聊用於機器感知的3D與2D感測器資料 | 資料標註

人類和機器之間最大的區別之一在於我們感知周圍環境的方式。我們都存在於3D世界中，人類天生能夠感知複雜的幾何形狀、透視、遮擋、消失點、物體永續性等帶來的影響，但機器卻很難處理這些最簡單的情況。

想讓他們能夠“看到”仍然是一個熱門的研究領域。機器理解它們所感知事物的能力有限，但他們努力在觀察之間“連線點”。我們試圖透過模仿我們自己的學習行為來教會他們——透過提供影片資料流並期望他們從中學習。可悲的是，這已被證明僅對有限數量的任務有用。

為什麼我們的感知演算法需要使用3D資料

簡而言之，我們無法在2D表示中真正捕捉3D物件的本質。這個數字洩露了它——你在這個過程中失去了一個完整的維度——即“深度”。人類知道幾何投影是如何工作的，並且對距離和透視如何影響不同物體的外觀有一個心智模型。這使我們能夠估計它們的相對位置、大小和方向，甚至從單個影像中。但機器還沒有到達那裡。

為了嘗試彌合這一差距，人們正在嘗試使用能夠提供環境完整3D表示的各種感測器。其中，鐳射雷達、雷達和超聲波是最受歡迎的選擇，每一種都有自己的優點、缺點和應用。

使用3D資料的挑戰

至於生活中的一切，使用3D資料有兩個方面。獲得額外的維度確實是有代價的。一些主要挑戰包括：

複雜且昂貴的感測器

不管怎樣，錢是其中一個因素。支援3D資料的感測器在構建複雜性和相應的價格方面差異很大，從數百美元到數千美元不等。選擇它們並不便宜，特別是考慮到您通常需要多個單元以保證足夠大的視野。

低解析度資料

在許多情況下，3D感測器收集的資料遠不及傳統相機的資料密集或高解析度。在鐳射雷達的情況下，標準感測器將垂直空間離散化為行（行數不同），每個感測器都有數百個檢測點。這產生的資料點比標準高畫質圖片中包含的資料點少約1000倍。此外，由於鐳射束傳播的錐形形狀，物體距離越遠，落在其上的樣本就越少。因此，檢測物體的難度隨著它們與感測器的距離呈指數增長。

技術上具有挑戰性的資料表示

使用3D資料本身就是一項挑戰。與相機提供的瞬時資料採集相比，某些3D感測器可能會由於往返時間而在訊號感應和註冊之間遇到延遲，尤其是當感測器放置在快速行駛的汽車上時。對於旋轉感測器，例如360度LiDAR，需要進行額外的校正，以消除運動引起的失真。

盡

管有這些難點，3D資料還是存在一些重要的優勢：

自然表現

使用3D感測器時，記錄的資料呈現出現實世界的數字克隆，它提供了一些非常有用的屬性。在2D投影中，透視會改變物件的外觀及其感知大小，而在3D中，無論與感測器的距離如何，它們都具有與其真實世界尺寸一致的大小。此外，可以估計物體相對於感測器位置的準確方向。

準確的位置測量

3D對映方法經常用於以極高的精度測量物件的位置。LiDAR 感測器的鐳射和雷達的電磁波都能夠提供有關遇到障礙物的確切距離的資訊，從而可以訪問“深度”維度。這使演算法能夠對整個場景、其中物件之間的距離以及最重要的 - 沒有障礙物的區域進行推理。

不受光照條件的影響

凸輪影像還有另一個主要缺點——光照條件對採集資料的質量有極大的影響。一天中的時間以及某些天氣條件可能會產生負面影響，並且會顯著降低感測器的有效範圍或使其完全無用。相比之下，3D感測器不受光照條件的影響，可以保證一致的高質量資料流。

如果您需要獲取2D影像資料和3D點雲資料，歡迎聯絡我們！

景聯文科技作為長三角地區規模最大的AI基礎資料服務商之一，擁有專業、高素質的全職採集標註團隊，針對定製化程度高、標註情況多而複雜的專案，景聯文科技自建資料標註平臺與成熟的標註、稽核、質檢機制，支援支援計算機視覺（拉框標註、語義分割、3D點雲標註、關鍵點標註、線標註、2D/3D融合標註、目標跟蹤、圖片分類等）、語音工程（語音切割、ASR語音轉寫、語音情緒判定、聲紋識別標註等）、自然語言處理（OCR轉寫、文字資訊抽取、NLU語句泛化）多型別資料標註。平臺還具有自動標註功能，可對影像進行預處理，根據標註結果調整模型進行標註，根據場景靈活配製標註流程，進一步保證了標註精度。

景聯文科技｜AI基礎資料服務｜資料採集｜資料標註｜假指紋製作｜指紋防偽演算法

助力人工智慧技術加速數字經濟相關產業質量變革，賦能傳統產業智慧化轉型升級