CPSeg：3D LiDAR 点云的无聚类全景分割
计算机视觉与模式识别
2023-02-06 v2
摘要
一个快速且准确的全景分割系统对于自动驾驶车辆理解周围物体和场景至关重要。现有方法通常依赖提议或聚类来分割前景实例。因此，它们难以实现实时性能。在本文中，我们提出了一种新颖的、用于 LiDAR 点云的实时端到端全景分割网络，称为 CPSeg。具体来说，CPSeg 包含一个共享编码器、一个双解码器和一个无聚类实例分割头，该头能够根据学习到的嵌入动态地将前景点柱状化。然后，它通过成对嵌入比较找到相连的柱体来获取实例标签。因此，传统的基于提议或基于聚类的实例分割被转化为成对嵌入比较矩阵上的一个二值分割问题。为了帮助网络回归实例嵌入，我们提出了一种快速且确定性的深度补全算法，用于实时计算每个点云的法向量。该方法在两个大规模自动驾驶数据集：SemanticKITTI 和 nuScenes 上进行了基准测试。值得注意的是，大量实验结果表明，CPSeg 在两个数据集上的实时方法中均取得了最先进的结果。
引用
@article{arxiv.2111.01723,
title = {CPSeg: Cluster-free Panoptic Segmentation of 3D LiDAR Point Clouds},
author = {Enxu Li and Ryan Razani and Yixuan Xu and Bingbing Liu},
journal= {arXiv preprint arXiv:2111.01723},
year = {2023}
}
备注
Accepted at ICRA 2023