面向基于LiDAR感知的柱面与非对称3D卷积网络
计算机视觉与模式识别
2021-09-14 v1
摘要
驾驶场景基于LiDAR的感知（包括点云语义分割、全景分割和3D检测等）的先进方法常将点云投影到2D空间，然后通过2D卷积处理。尽管这种结合在点云上表现出竞争力，但它不可避免地改变并抛弃了3D拓扑与几何关系。一个自然的补救是利用3D体素化与3D卷积网络。然而，我们发现，在室外点云中，以此方式获得的提升相当有限。一个重要原因是室外点云的特性，即稀疏性和密度变化。受该调研启发，我们提出一种用于室外LiDAR分割的新框架，其中设计了柱面划分与非对称3D卷积网络，以在保持这些固有特性的同时探索3D几何模式。所提模型充当骨干网络，其学习到的特征可用于下游任务，如点云语义与全景分割或3D检测。本文中，我们在这三个任务上对所提模型进行基准测试。对于语义分割，我们在多个大规模数据集（即SemanticKITTI、nuScenes和A2D2）上评估所提模型。我们的方法在SemanticKITTI排行榜（单帧与多帧挑战赛）上均达到最先进水平，并在nuScenes和A2D2数据集上显著优于现有方法。此外，所提3D框架在LiDAR全景分割与LiDAR 3D检测上也展现出强劲性能与良好泛化能力。
引用
@article{arxiv.2109.05441,
title = {Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception},
author = {Xinge Zhu and Hui Zhou and Tai Wang and Fangzhou Hong and Wei Li and Yuexin Ma and Hongsheng Li and Ruigang Yang and Dahua Lin},
journal= {arXiv preprint arXiv:2109.05441},
year = {2021}
}
备注
Accepted by TPAMI 2021; Source code at https://github.com/xinge008/Cylinder3D. arXiv admin note: substantial text overlap with arXiv:2011.10033