EfficientLPS:高效的 LiDAR 全景分割
计算机视觉与模式识别
2021-11-05 v3 机器学习
机器人学
摘要
点云全景分割是一项关键任务,使自动驾驶车辆能够利用其高度精确且可靠的 LiDAR 传感器理解周边环境。现有的自顶向下方法通过结合独立的任务专用网络或从图像域移植方法解决该问题,忽略了 LiDAR 数据的复杂性,因此常导致次优性能。本文提出新颖的自顶向下高效 LiDAR 全景分割(EfficientLPS)架构,解决了 LiDAR 点云分割中的多项挑战,包括距离相关的稀疏性、严重遮挡、大尺度变化以及重投影误差。EfficientLPS 包含新颖的共享骨干网络,其以增强的几何变换建模能力编码并聚合语义丰富的距离感知多尺度特征。它引入了全新的尺度不变语义与实例分割头,以及由我们提出的全景边界损失函数监督的全景融合模块。此外,我们制定了正则化伪标注框架,通过在未标注数据上训练进一步提升 EfficientLPS 性能。我们在两个大规模 LiDAR 数据集上评测所提模型:nuScenes(我们也为其提供真值标注)与 SemanticKITTI。值得注意的是,EfficientLPS 在这两个数据集上均确立了新的 SOTA。
引用
@article{arxiv.2102.08009,
title = {EfficientLPS: Efficient LiDAR Panoptic Segmentation},
author = {Kshitij Sirohi and Rohit Mohan and Daniel Büscher and Wolfram Burgard and Abhinav Valada},
journal= {arXiv preprint arXiv:2102.08009},
year = {2021}
}
备注
Ranked #1 on SemanticKITTI and nuScenes panoptic segmentation benchmarks