野外三维语义分割：面向恶劣条件点云的泛化模型学习
计算机视觉与模式识别
2023-04-04 v1
摘要
在所有天气条件下对点云进行稳健解析对于自动驾驶的 L5 级（五级） autonomy 至关重要。然而，如何学习通用的三维语义分割（3DSS）模型在很大程度上被忽视了，因为大多数现有基准数据集主要由正常天气下捕获的点云主导。我们提出 SemanticSTF，一个恶劣天气点云数据集，提供密集的点级标注，并可用于研究各种恶劣天气条件下的 3DSS。我们在两种设定下研究全天气 3DSS 建模：1）从正常天气数据到恶劣天气数据的域自适应 3DSS；2）从正常天气数据学习全天气 3DSS 模型的域泛化 3DSS。我们的研究揭示了现有 3DSS 方法遇到恶劣天气数据时所面临的挑战，显示了 SemanticSTF 在引导未来沿这一非常有意义的研发方向努力方面的重大价值。此外，我们设计了一种域随机化技术，交替随机化点云的几何风格并聚合其嵌入，最终得到一个泛化模型，能有效提升各种恶劣天气下的 3DSS。SemanticSTF 及相关代码见 \url{https://github.com/xiaoaoran/SemanticSTF}。
引用
@article{arxiv.2304.00690,
title = {3D Semantic Segmentation in the Wild: Learning Generalized Models for Adverse-Condition Point Clouds},
author = {Aoran Xiao and Jiaxing Huang and Weihao Xuan and Ruijie Ren and Kangcheng Liu and Dayan Guan and Abdulmotaleb El Saddik and Shijian Lu and Eric Xing},
journal= {arXiv preprint arXiv:2304.00690},
year = {2023}
}
备注
CVPR2023