TY  - THES
AB  - Diese Dissertation bietet eine umfassende Studie über neuartige Lidar-Segmentierungsverfahren und ihre verschiedenen Anwendungen, gegliedert in drei Hauptabschnitte. Der erste Teil präsentiert neu entwickelte neuronale Netzwerke und heuristische Algorithmen für die Segmentierung von Lidar-Punktwolken, die signifikante Verbesserungen aufzeigen. Im zweiten Teil werden Methoden zur Datenaugmentierung und zur Domänenanpassung von Lidar-Daten vorgestellt, welche die Leistung und Widerstandsfähigkeit beliebiger Segmentierungsalgorithmen gegenüber Änderungen der Sensorkonfiguration und Umweltbedingungen wesentlich steigern. Darüber hinaus ermöglichen sie ein effektives Training und den Einsatz von Segmentierungsnetzwerken, selbst bei begrenzten oder fehlenden Annotationen. Im dritten Teil werden neue Anwendungen auf der Grundlage der Lidar-Segmentierung vorgestellt, darunter die Erstellung von Karten, eine Echtzeit-Objekterkennung sowie das Erstellen von Re-Simulationsumgebungen für Fahrerassistenzsysteme. Durch die Demonstration ihrer Anwendbarkeit und Wirkung schafft diese Arbeit die Voraussetzungen für weitere Fortschritte und Verbesserungen auf diesem Gebiet und treibt letztlich den Fortschritt bei autonomen Systemen voran.
AU  - Hasecke, Frederik
CY  - Wuppertal
DA  - 2023
DO  - 10.25926/BUW/0-207
DP  - Bergische Universität Wuppertal
LA  - eng
N1  - Tag der Verteidigung: 08.11.2023
N1  - Gesehen am 16.05.2024
N1  - Bergische Universität Wuppertal, Dissertation, 2023
PB  - Veröffentlichungen der Universität
PY  - 2023
SP  - 1 Online-Ressource (xii, 179 Seiten)
T2  - Informationstechnik
TI  - Advances in Lidar Point Cloud Segmentation for automotive applications: segmenting outside the box
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:468-2-2099
Y2  - 2024-12-26T19:32:41
ER  -