AziNorm：利用点云径向对称性进行方位角归一化的三维感知
计算机视觉与模式识别
2022-03-25 v1
摘要
研究数据的内在对称性在机器学习中十分重要。点云作为三维环境感知最重要的数据格式，天然具有强径向对称性。本工作中，我们通过分治策略利用该径向对称性来提升三维感知性能并简化优化。我们提出方位角归一化（AziNorm），沿径向对点云归一化并消除由方位角差异带来的变异性。AziNorm 可灵活嵌入大多数基于 LiDAR 的感知方法。为验证其有效性与泛化能力，我们将 AziNorm 应用于目标检测与语义分割。检测方面，我们将 AziNorm 集成入两种代表性检测方法：单阶段 SECOND 检测器与最先进的两阶段 PV-RCNN 检测器。在 Waymo Open Dataset 上的实验表明，AziNorm 分别将 SECOND 与 PV-RCNN 提升 7.03 mAPH 与 3.01 mAPH。分割方面，我们将 AziNorm 集成入 KPConv。在 SemanticKitti 数据集上，AziNorm 在验证/测试集上以 1.6/1.1 mIoU 提升 KPConv。此外，AziNorm 显著改善数据效率并加速收敛，将数据量或训练轮次需求降低一个数量级。带 AziNorm 的 SECOND 即使仅用 10% 数据或 10% 轮次训练，也可显著优于充分训练的原始 SECOND。代码与模型见 https://github.com/hustvl/AziNorm。
引用
@article{arxiv.2203.13090,
title = {AziNorm: Exploiting the Radial Symmetry of Point Cloud for Azimuth-Normalized 3D Perception},
author = {Shaoyu Chen and Xinggang Wang and Tianheng Cheng and Wenqiang Zhang and Qian Zhang and Chang Huang and Wenyu Liu},
journal= {arXiv preprint arXiv:2203.13090},
year = {2022}
}
备注
Accepted by CVPR 2022