我们是否渴求用于语义分割的 3D LiDAR 数据?一项综述与实验研究
计算机视觉与模式识别
2020-12-01 v2
摘要
3D 语义分割是机器人与自动驾驶应用中的一项基础任务。近期工作聚焦于使用深度学习技术,而开发精细标注的 3D LiDAR 数据集极其耗费人力且需要专业技能。由数据不足引起的性能局限被称为数据饥渴问题。本研究针对“我们是否渴求用于语义分割的 3D LiDAR 数据?”这一问题提供了全面的综述与实验研究。研究在三个层面展开。首先,对主要 3D LiDAR 数据集进行广泛回顾,随后对三个代表性数据集做统计分析以深入理解其规模与多样性,二者为深度学习模型训练的关键因素。其次,对最先进的 3D 语义分割方法进行系统性回顾,随后对三种代表性深度学习方法进行实验与交叉检验,以探明数据集的规模与多样性如何影响深度模型性能。最后,从方法论与数据集视角对解决数据饥渴问题的现有努力进行系统性综述,并随之对遗留问题与开放问题展开深入讨论。据我们所知,这是首项利用文献回顾、统计分析以及跨数据集与跨算法实验来分析深度学习 3D 语义分割数据饥渴问题的工作。我们分享发现与讨论,或可指明未来工作的潜在课题。
引用
@article{arxiv.2006.04307,
title = {Are We Hungry for 3D LiDAR Data for Semantic Segmentation? A Survey and Experimental Study},
author = {Biao Gao and Yancheng Pan and Chengkun Li and Sibo Geng and Huijing Zhao},
journal= {arXiv preprint arXiv:2006.04307},
year = {2020}
}
备注
22 pages, 15 figures