自动驾驶中 3D 语义分割的域泛化
计算机视觉与模式识别
2023-08-21 v3
摘要
利用深度学习，3D 自动驾驶语义分割已成为一个被充分研究的课题，其方法可达到非常高的性能。然而，由于训练数据集规模有限，这些模型无法见到真实应用场景中的各类物体与场景。在各种未知环境中保持可靠的能力被称为域泛化（domain generalization）。尽管十分重要，域泛化在 3D 自动驾驶语义分割中相对未被探索。为填补此空白，本文通过测试最先进的方法并讨论应对激光探测与测距（LiDAR）域偏移的困难，提出了该应用的第一个基准。我们还提出了首个旨在解决此域泛化的方法，称之为 3DLabelProp。该方法利用 LiDAR 数据的几何与序列特性，通过在部分累积点云上工作来提升其泛化性能。它仅在 SemanticKITTI 上训练，在 SemanticPOSS 上达到 50.4% 的平均交并比（mIoU），在 PandaSet 固态 LiDAR 上达到 55.2%，使其成为最先进的泛化方法（分别比次优方法高 +5% 和 +33%）。该方法的代码可在 GitHub 获取：https://github.com/JulesSanchez/3DLabelProp。
引用
@article{arxiv.2212.04245,
title = {Domain generalization of 3D semantic segmentation in autonomous driving},
author = {Jules Sanchez and Jean-Emmanuel Deschaud and Francois Goulette},
journal= {arXiv preprint arXiv:2212.04245},
year = {2023}
}