3D-MiniNet：从点云学习2D表示以实现快速高效的3D LIDAR语义分割
计算机视觉与模式识别
2021-04-28 v5
摘要
LIDAR语义分割为LIDAR测量的每个3D点分配语义标签，正成为自动驾驶等许多机器人应用的关键任务。需要快速高效的语义分割方法以满足众多实际应用的强计算与时效性限制。本文提出3D-MiniNet，一种结合3D与2D学习层的LIDAR语义分割新方法。它首先通过一种新颖的投影从原始点中学习2D表示，该投影从3D数据中提取局部与全局信息。该表示被输入到一个高效的2D全卷积神经网络（FCNN）中以产生2D语义分割。这些2D语义标签被重投影回3D空间并通过后处理模块增强。我们策略的主要新颖性在于投影学习模块。详细的消融研究展示了各组件如何贡献于3D-MiniNet的最终性能。我们在知名公开基准（SemanticKITTI与KITTI）上验证了方法，3D-MiniNet取得了最先进结果，同时比先前方法更快且参数更高效。
引用
@article{arxiv.2002.10893,
title = {3D-MiniNet: Learning a 2D Representation from Point Clouds for Fast and Efficient 3D LIDAR Semantic Segmentation},
author = {Iñigo Alonso and Luis Riazuelo and Luis Montesano and Ana C. Murillo},
journal= {arXiv preprint arXiv:2002.10893},
year = {2021}
}
备注
8 pages, 4 figures