分析基于 LiDAR 语义标注的神经网络架构的跨传感器可移植性
计算机视觉与模式识别
2019-07-05 v1 机器学习
摘要
用于 LiDAR 点云语义标注的最先进方法严重依赖深度卷积神经网络（CNN）的使用。然而，将网络架构跨不同 LiDAR 传感器类型进行迁移是一项重大挑战，尤其是由于针对网络架构以及数据表示的传感器特定设计选择。在本文中，我们提出了一种新的 CNN 架构，用于 LiDAR 数据的逐点语义标注，其在取得最先进结果的同时提升了跨传感器类型的可移植性。鉴于 LiDAR 硬件技术的快速发展，这代表了一项显著优势。我们与一种最先进的参考方法相比，对语义标注性能进行了彻底的定量跨传感器分析。我们的评估表明所提出的架构确实具有高度可移植性，与参考方法相比在交并比（IoU）分数上取得了 10 个百分点的提升。此外，结果表明所提出的网络架构可提供一种高效方式，用于为新 LiDAR 传感器类型自动生成大规模训练数据，而无需大量人工标注或多模态标签迁移。
引用
@article{arxiv.1907.02149,
title = {Analyzing the Cross-Sensor Portability of Neural Network Architectures for LiDAR-based Semantic Labeling},
author = {Florian Piewak and Peter Pinggera and Marius Zöllner},
journal= {arXiv preprint arXiv:1907.02149},
year = {2019}
}