通过跨模态训练数据生成提升基于 LiDAR 的语义标注
计算机视觉与模式识别
2018-04-27 v1
摘要
移动机器人与自动驾驶车辆依赖多模态传感器配置来感知并理解周围环境。除相机外，LiDAR 传感器构成最先进感知系统的核心组件。除精确的空间感知外，对环境的全面语义理解对于高效与安全运行至关重要。本文提出一种称为 LiLaNet 的新型深度神经网络架构，用于半稠密 LiDAR 数据的逐点多类语义标注。该网络利用 3D 点云的虚拟图像投影以实现高效推理。进一步，我们提出一种称为 Autolabeling 的自动化大规模跨模态训练数据生成流程，以在保持较低人工标注投入的同时提升语义标注性能。所提网络架构及自动化数据生成流程的有效性在人工标注的地面真值数据集上得到验证。结果表明，LiLaNet 显著优于当前最先进的 LiDAR 数据 CNN 架构。与仅使用人工标注数据训练的网络相比，应用我们自动生成的大规模训练数据可带来最高 14 个百分点的性能提升。
引用
@article{arxiv.1804.09915,
title = {Boosting LiDAR-based Semantic Labeling by Cross-Modal Training Data Generation},
author = {Florian Piewak and Peter Pinggera and Manuel Schäfer and David Peter and Beate Schwarz and Nick Schneider and David Pfeiffer and Markus Enzweiler and Marius Zöllner},
journal= {arXiv preprint arXiv:1804.09915},
year = {2018}
}