Detail Cantuman

Sensor LiDAR memainkan peran penting dalam mengumpulkan data penting dalam bentuk awan titik 3D. Sebagian besar penelitian sebelumnya telah bereksperimen dengan dataset sintetis yang berisi data yang tepat sejajar, sedangkan awan titik dunia nyata seringkali tidak sejajar dan tidak teratur. Ketidakaturan awan titik yang dihasilkan oleh LiDAR menimbulkan tantangan, terutama dalam invariansi transformasi dan ketidakaturan titik. Untuk mengatasi ini, augmentasi data berbasis transformasi geometris digunakan untuk meningkatkan kemampuan model PointNet dalam mengenali objek dengan titik-titik yang tidak teratur dan transformasi yang bervariasi. Metodologi yang diusulkan bertujuan untuk meningkatkan klasifikasi objek 3D dalam objek yang dipindai LiDAR, meningkatkan adaptabilitas dan ketangguhan model dalam skenario dunia nyata dengan menggabungkan augmentasi data lokal dan global berupa jitter, rotasi, dan skala ke ModelNet40. Dalam hasilnya, model yang telah di-augmentasi menunjukkan peningkatan kinerja yang signifikan dan ketahanan terhadap gangguan rotasi pada koordinat atas. Model yang di-augmentasi menunjukkan akurasi validasi sebesar 80,1% dengan transformasi yang diterapkan secara acak, sedangkan variasi transformasi tertinggi adalah rotasi pada sumbu atas, sementara model yang tidak di-augmentasi mencapai akurasi sebesar 45,5%.