将4D全景分割视为不变与等变场预测
计算机视觉与模式识别
2023-09-14 v2
摘要
本文中,我们为4D全景分割开发了旋转等变神经网络。4D全景分割是自动驾驶的一项基准任务,要求基于LiDAR扫描识别道路上的语义类别与物体实例,并为跨时间的实例分配时间一致的ID。我们观察到驾驶场景相对于地平面上的旋转是对称的。因此,旋转等变性可提供更优的泛化能力与更鲁棒的特征学习。具体而言,我们回顾了物体实例聚类策略,并将基于中心度(centerness)的方法与基于偏移(offset)的方法重新表述为不变标量场与等变矢量场的预测。其他子任务也从该视角统一,并设计了不同的不变与等变层以促进其预测。通过在SemanticKITTI标准4D全景分割基准上的评估,我们表明,与非等变对应模型相比,我们的等变模型以更低计算成本取得了更高精度。此外,我们的方法刷新了最优性能,并在SemanticKITTI 4D全景分割排行榜上位居第一。
引用
@article{arxiv.2303.15651,
title = {4D Panoptic Segmentation as Invariant and Equivariant Field Prediction},
author = {Minghan Zhu and Shizhong Han and Hong Cai and Shubhankar Borse and Maani Ghaffari and Fatih Porikli},
journal= {arXiv preprint arXiv:2303.15651},
year = {2023}
}
备注
13 pages. Accepted at ICCV 2023