ContrastMotion：面向大规模激光雷达点云的自监督场景运动学习
计算机视觉与模式识别
2023-04-26 v1
摘要
本文提出了一种基于BEV表示的、用于激光雷达自动驾驶的新颖自监督运动估计器。与通常采用的数据级结构一致性自监督策略不同，我们通过连续帧中pillar之间的特征级一致性来预测场景运动，这能够消除动态场景中噪声点和视角变化点云所造成的影响。具体而言，我们提出了Soft Discriminative Loss（软判别损失），以对比学习的方式为网络提供更多伪监督信号，以学习具有判别力且鲁棒的特征。我们还提出了Gated Multi-frame Fusion（门控多帧融合）模块，自动学习点云帧之间的有效补偿以增强特征提取。最后，提出pillar association（pillar关联），基于特征距离预测pillar对应概率，并由此进一步预测场景运动。大量实验表明，我们的ContrastMotion在场景流与运动预测任务上均具有有效性与优越性。代码即将公开。
引用
@article{arxiv.2304.12589,
title = {ContrastMotion: Self-supervised Scene Motion Learning for Large-Scale LiDAR Point Clouds},
author = {Xiangze Jia and Hui Zhou and Xinge Zhu and Yandong Guo and Ji Zhang and Yuexin Ma},
journal= {arXiv preprint arXiv:2304.12589},
year = {2023}
}