一种用于交通应用中无监督 LiDAR 分割的时空对应方法
计算机视觉与模式识别
2023-08-25 v1
摘要
我们解决了多样交通场景下室外 LiDAR 点云的无监督语义分割问题。核心思想是利用动态点云序列的时空特性,并通过建立跨多帧的时空对应引入显著更强的增强。我们在本工作中将聚类与伪标签学习紧密结合。本质上,我们在将点聚类为语义组与利用简单的学习目标以逐点伪时空标签优化模型之间交替。因此,我们的方法能以无监督学习的方式学习判别性特征。我们在涵盖自动驾驶与交叉口基础设施场景的 Semantic-KITTI、SemanticPOSS 和 FLORIDA 基准数据集上展示了有前景的分割性能,与许多现有全监督学习方法相比具有竞争力。这一通用框架可导向一种融合领域知识的 LiDAR 点云统一表示学习方法。
引用
@article{arxiv.2308.12433,
title = {A Spatiotemporal Correspondence Approach to Unsupervised LiDAR Segmentation with Traffic Applications},
author = {Xiao Li and Pan He and Aotian Wu and Sanjay Ranka and Anand Rangarajan},
journal= {arXiv preprint arXiv:2308.12433},
year = {2023}
}
备注
Accepted for publication in IEEE International Conference on Intelligent Transportation Systems (ITSC 2023)