激光雷达语义分割模型鲁棒性的基准测试
计算机视觉与模式识别
2024-01-09 v3
摘要
当将激光雷达（LiDAR）语义分割模型用于自动驾驶等安全关键应用时，理解和提升其对大量LiDAR corruptions的鲁棒性至关重要。本文旨在全面分析LiDAR语义分割模型在各种corruptions下的鲁棒性。为严格评估当前方法的鲁棒性与泛化能力，我们提出一个名为SemanticKITTI-C的新基准，其包含三组共16种域外LiDAR corruptions，即恶劣天气、测量噪声和跨设备差异。随后，我们系统地研究了11种LiDAR语义分割模型，特别涵盖不同输入表示（如点云、体素、投影图像等）、网络架构和训练方案。通过本研究，我们得到两点见解：1）发现输入表示在鲁棒性中起关键作用，具体而言，在特定corruptions下不同表示表现各异；2）尽管最先进的LiDAR语义分割方法在干净数据上取得了可喜结果，但在处理噪声数据时鲁棒性较差。最后，基于上述观察，我们设计了一个鲁棒LiDAR分割模型（RLSeg），通过简单而有效的改进大幅提升了鲁棒性。有望我们的基准、全面分析和观察能推动未来面向安全关键应用的鲁棒LiDAR语义分割研究。
引用
@article{arxiv.2301.00970,
title = {Benchmarking the Robustness of LiDAR Semantic Segmentation Models},
author = {Xu Yan and Chaoda Zheng and Ying Xue and Zhen Li and Shuguang Cui and Dengxin Dai},
journal= {arXiv preprint arXiv:2301.00970},
year = {2024}
}
备注
IJCV-2024. The benchmark will be made available at https://yanx27.github.io/RobustLidarSeg/