面向自动驾驶的端到端三维点云语义分割
计算机视觉与模式识别
2019-06-27 v1 机器学习
摘要
3D 语义场景标注是自动驾驶的一项基础任务。近期工作展示了深度神经网络在标注由 LiDAR、雷达等传感器提供的 3D 点集方面的能力。数据集中类别的分布不平衡是 3D 语义场景标注任务面临的挑战之一。这导致对非主导类别的误分类，这些类别面临两个主要问题：a) 在数据集中出现稀少，b) 从这些类别的单个物体反射的传感器点很少。本文提出加权自增量迁移学习作为一种解决训练数据集不平衡问题的通用方法。它根据各类别在训练数据集中的频率对从各类别计算得到的损失函数分量进行重新加权，并通过先在非主导类别上运行神经网络模型，再逐个加入主导类别来应用自增量迁移学习。实验结果给出了 KITTI 数据集上一个新的 3D 点云语义分割基准。
引用
@article{arxiv.1906.10964,
title = {End-to-End 3D-PointCloud Semantic Segmentation for Autonomous Driving},
author = {Mohammed Abdou and Mahmoud Elkhateeb and Ibrahim Sobh and Ahmad Elsallab},
journal= {arXiv preprint arXiv:1906.10964},
year = {2019}
}
备注
6 pages, 3 figures