面向 LiDAR 全景分割的传统点云聚类方法技术综述与评估
计算机视觉与模式识别
2021-08-24 v1 机器人学
摘要
LiDAR 全景分割是自动驾驶领域新提出的一项技术任务。与流行的端到端深度学习方案不同，我们提出了一种混合方法：利用现有的语义分割网络提取语义信息，并采用传统的 LiDAR 点云聚类算法来分割每个实例对象。通过展示在 SemanticKITTI 数据集全景分割排行榜上超越所有已发布的端到端深度学习方案的 SOTA 性能，我们认为基于几何的传统聚类算法值得被考虑。据我们所知，我们是首个尝试使用聚类算法进行点云全景分割的团队。因此，本文不致力于新模型，而是通过对四种典型聚类方法的实现并报告其在基准上的性能，给出一份全面的技术综述。这四种聚类方法是具有实时运行速度的最具代表性的方法。本文使用 C++ 实现它们，并封装为 python 函数以便与现有深度学习框架无缝集成。我们发布了代码，供可能对该问题感兴趣的同行研究人员使用。
引用
@article{arxiv.2108.09522,
title = {A Technical Survey and Evaluation of Traditional Point Cloud Clustering Methods for LiDAR Panoptic Segmentation},
author = {Yiming Zhao and Xiao Zhang and Xinming Huang},
journal= {arXiv preprint arXiv:2108.09522},
year = {2021}
}
备注
1. A hybrid SOTA solution. 2. Accept by ICCV2021 Workshop on Traditional Computer Vision in the Age of Deep Learning. 3. Code: https://github.com/placeforyiming/ICCVW21-LiDAR-Panoptic-Segmentation-TradiCV-Survey-of-Point-Cloud-Cluster