面向 LiDAR 语义分割的 SOTA 模型训练实证研究
计算机视觉与模式识别
2024-05-31 v2 机器人学
摘要
在自动驾驶领域，对 LiDAR 数据的精准语义分割对于理解复杂三维环境至关重要。传统方法往往依赖分散的独立代码库，限制了跨模型的统一进展和公平基准测试。为此，我们引入 MMDetection3D-lidarseg，一个综合性的工具箱，旨在高效训练和评估最新的 LiDAR 语义分割模型。我们支持多种语义分割模型，集成先进的数据增强技术以提升鲁棒性和泛化能力。此外，工具箱提供对多主流稀疏卷积后端的支持，优化了计算效率和性能。通过构建统一框架，MMDetection3D-lidarseg 简化了开发与基准测试流程，树立了该领域研究与应用的新标准。我们在广泛使用的数据集上进行了大规模基准实验，证明了工具箱的有效性。该代码库和训练好的模型已公开，旨在推动自动驾驶领域 LiDAR 语义分割进一步的研究与创新。
引用
@article{arxiv.2405.14870,
title = {An Empirical Study of Training State-of-the-Art LiDAR Segmentation Models},
author = {Jiahao Sun and Chunmei Qing and Xiang Xu and Lingdong Kong and Youquan Liu and Li Li and Chenming Zhu and Jingwei Zhang and Zeqi Xiao and Runnan Chen and Tai Wang and Wenwei Zhang and Kai Chen},
journal= {arXiv preprint arXiv:2405.14870},
year = {2024}
}
备注
Preprint; 17 pages, 4 figures, 7 tables; Code at https://github.com/open-mmlab/mmdetection3d