面向自动驾驶的少样本 3D LiDAR 语义分割
机器人学
2023-03-06 v2 计算机视觉与模式识别
摘要
在自动驾驶中，新颖物体与标注缺失对基于深度学习的传统 3D LiDAR 语义分割提出了挑战。少样本学习是解决这些问题的可行途径。然而，当前的少样本语义分割方法聚焦于相机数据，且大多仅预测新颖类别而未考虑基类。由于安全因素，该设定无法直接应用于自动驾驶。因此，我们提出了一种同时预测新颖类别与基类的少样本 3D LiDAR 语义分割方法。我们的方法试图解决广义少样本语义分割中的背景歧义问题。我们首先回顾原始交叉熵与知识蒸馏损失，随后提出一种融合背景信息的新损失函数以实现 3D LiDAR 少样本语义分割。在 SemanticKITTI 上的大量实验证明了我们方法的有效性。
引用
@article{arxiv.2302.08785,
title = {Few-shot 3D LiDAR Semantic Segmentation for Autonomous Driving},
author = {Jilin Mei and Junbao Zhou and Yu Hu},
journal= {arXiv preprint arXiv:2302.08785},
year = {2023}
}
备注
Accepted by ICRA 2023