自动驾驶中用于 LiDAR 点云的深度学习方法：综述
计算机视觉与模式识别
2020-05-21 v1
摘要
近来，深度学习从 3D LiDAR 数据中判别性特征学习的进展推动了自动驾驶领域的快速发展。然而，自动化处理不均匀、非结构化、含噪且海量的 3D 点云是一项具有挑战性且繁琐的任务。在本文中，我们对应用于 LiDAR 点云的现有引人注目的深度学习架构进行系统性综述，详述自动驾驶中诸如分割、检测和分类等具体任务。尽管若干已发表的研究论文聚焦于自动驾驶计算机视觉中的特定主题，但迄今为止，尚无关于深度学习应用于自动驾驶 LiDAR 点云的通用综述。因此，本文旨在缩小该主题上的空白。本综述总结了近五年超过 140 项关键贡献，包括里程碑式的 3D 深度架构、3D 语义分割中显著的深度学习应用、目标检测与分类；特定数据集、评估指标以及最先进（SOTA）性能。最后，我们总结了剩余挑战与未来研究。
引用
@article{arxiv.2005.09830,
title = {Deep Learning for LiDAR Point Clouds in Autonomous Driving: A Review},
author = {Ying Li and Lingfei Ma and Zilong Zhong and Fei Liu and Dongpu Cao and Jonathan Li and Michael A. Chapman},
journal= {arXiv preprint arXiv:2005.09830},
year = {2020}
}
备注
21 pages, submitted to IEEE Transactions on Neural Networks and Learning Systems