DeepTemporalSeg:三维 LiDAR 扫描的时间一致语义分割
机器人学
2020-03-24 v3 计算机视觉与模式识别
摘要
理解环境的语义特征是实现机器人自主操作的关键使能技术。本文提出一种深度卷积神经网络(DCNN),用于将 LiDAR 扫描语义分割为汽车、行人或骑行者三类。该架构基于稠密块,并高效利用深度可分离卷积以限制参数量,同时仍保持最先进的性能。为使 DCNN 的预测在时间上一致,我们提出一种基于贝叶斯滤波器的方法。该方法利用神经网络的预测递归估计扫描中某点的当前语义状态。这种递归估计使用了从先前扫描中获得的知识,从而使预测在时间上一致,并对孤立的错误预测具有鲁棒性。我们将所提架构与其他最先进的神经网络架构的性能进行比较,并报告了显著改进。对于所提出的贝叶斯滤波方法,我们在 KITTI 跟踪基准的各种序列上展示了结果。
引用
@article{arxiv.1906.06962,
title = {DeepTemporalSeg: Temporally Consistent Semantic Segmentation of 3D LiDAR Scans},
author = {Ayush Dewan and Wolfram Burgard},
journal= {arXiv preprint arXiv:1906.06962},
year = {2020}
}
备注
Accepted for ICRA-2020. Code and dataset available at https://github.com/ayushais/DBLiDARNet. Added results for Semantic Kitti Dataset