يعتبر تحديد المواقع بدقة في البيئات غير المنظمة، مثل الحقول الزراعية، تحديًا كبيرًا أمام الأنظمة الذاتية. ومن هنا تبرز أهمية مستشعرات LiDAR، التي تقدم معلومات ثلاثية الأبعاد دقيقة عن البيئة، حيث تتميز بعدم الاعتماد على ظروف الإضاءة. وهذا ما جعل الأساليب المعتمدة على LiDAR تكتسب اهتمامًا متزايدًا في الآونة الأخيرة.

في هذا السياق، نقدم لكم نهجًا مبتكرًا يُدعى MinkUNeXt-VINE++، والذي يدمج بيانات LiDAR من مستشعرين مختلفين (Livox Mid-360 وVelodyne VLP-16) بأسلوب دمج مبكر، مع استراتيجية إعادة تصنيف متعلمة أثناء عملية الاستدلال. هذا الدمج يستفيد من نقاط قوة كل مستشعر، مما يوفر تمثيلًا شاملًا للبيئة.

تكمن الأهمية الخاصة لاستراتيجية إعادة التصنيف في البيئات المتكررة، مثل مزارع الكروم، حيث يُعَد العثور على الإيجابيات الحقيقية تحديًا رئيسيًا. تم تقييم هذا النهج باستخدام مجموعة بيانات TEMPO-VINE، التي توفر بيانات LiDAR متنوعة في بيئات زراعية مختلفة عبر مراحل نمو نباتية متنوعة.

أظهرت نتائجنا أن MinkUNeXt-VINE++ يحقق تحسنًا كبيرًا في أداء التعرف على المواقع مقارنة بالأساليب المعتمدة على مستشعر واحد، بل وأيضًا مقارنة بأحدث الأساليب المستخدمة حاليًا. حيث سجل هذا النهج تحسنًا بنسبة 20% في معدل Recall@1 مقارنة بالأساليب الأحادية، وزيادة تصل إلى 30% عند إضافة إعادة التصنيف. مما يعكس القدرة الواعدة لهذه الاستراتيجية في تعزيز دقة الأنظمة الذاتية.

لمزيد من التفاصيل، يمكن للجميع الوصول إلى كود هذه الطريقة علنياً لإعادة إنتاج النتائج.