面向车载 LiDAR 实时感知的点云深度学习表示分析
计算机视觉与模式识别
2023-05-16 v3 机器学习
神经与进化计算
机器人学
摘要
LiDAR 传感器是现代自动驾驶车辆不可或缺的组成部分，能够提供车辆周围环境精确的高分辨率 3D 表示。然而，利用来自多个高分辨率 LiDAR 传感器且数据量不断增长的数据，在计算上具有挑战性。随着帧率、点云尺寸和传感器分辨率的提升，对这些点云的实时处理仍需从日益精确的车辆环境图像中提取语义信息。决定在此类点云上运行的深度神经网络运行时性能与准确度的一个关键因素，是其底层数据表示及其计算方式。在本研究中，我们考察了神经网络中所用计算表示与其性能特征之间的关系。为此，我们针对现代深度神经网络中用于 3D 点云处理的 LiDAR 点云表示，提出了一种新颖的计算分类法。利用该分类法，我们对不同方法族进行了结构化分析。由此，我们揭示了它们在计算效率、内存需求以及以语义分割性能衡量的表示能力方面的共同优势与局限性。最后，我们为未来神经点云处理方法的发展提供了一些见解与指导。
引用
@article{arxiv.2210.14612,
title = {Analyzing Deep Learning Representations of Point Clouds for Real-Time In-Vehicle LiDAR Perception},
author = {Marc Uecker and Tobias Fleck and Marcel Pflugfelder and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2210.14612},
year = {2023}
}
备注
Accepted at the NeurIPS 2022 Workshop on Machine Learning for Autonomous Driving (ML4AD). Changed in v3: corrected erroneously cited mIoU score for PolarNet