COLA：面向自动驾驶的粗标签多源激光雷达语义分割
计算机视觉与模式识别
2025-01-28 v2
摘要
近年来，面向自动驾驶的激光雷达语义分割已成为一个日益受到关注的领域。数据集与方法迅速涌现并扩展，但方法尚未更新以利用这一新的数据可用性，仍依赖于同样的经典数据集。执行激光雷达语义分割训练与推理的不同方式可划分为若干子领域，包括：域泛化、源到源分割以及预训练。在本工作中，我们旨在通过多源训练这一新颖方法来改善所有这些子领域的结果。多源训练依赖于训练时多种数据集的可用性。为克服多源训练中的常见障碍，我们引入粗标签，并将新创建的多源数据集称为 COLA。我们提出了该新数据集的三种应用，显示出相对于单源策略的系统性改进：用于域泛化的 COLA-DG（+10%）、用于源到源分割的 COLA-S2S（+5.3%）以及用于预训练的 COLA-PT（+12%）。我们证明了多源方法相较单源方法带来系统性改进。
引用
@article{arxiv.2311.03017,
title = {COLA: COarse-LAbel multi-source LiDAR semantic segmentation for autonomous driving},
author = {Jules Sanchez and Jean-Emmanuel Deschaud and François Goulette},
journal= {arXiv preprint arXiv:2311.03017},
year = {2025}
}