FRNet：面向可扩展LiDAR分割的视锥-距离网络
计算机视觉与模式识别
2025-03-24 v3 机器人学
摘要
LiDAR分割已成为先进自动驾驶系统的关键组成部分。最近的基于距离视图的LiDAR分割方法显示出实时处理的潜力。然而，它们不可避免地会遭受上下文信息损坏的问题，并且严重依赖后处理技术来细化预测。在这项工作中，我们提出了FRNet，这是一种简单而有效的方法，旨在利用对应的视锥LiDAR点来恢复距离图像像素的上下文信息。首先，使用一个视锥特征编码器模块来提取视锥区域内的逐点特征，这保持了场景一致性，对点级预测至关重要。接着，引入一个视锥-点融合模块来分层更新逐点特征，使每个点能够通过视锥特征提取更多周围信息。最后，使用一个头部融合模块来融合不同层级的特征，以进行最终的语义预测。在各种任务设置下，对四个流行的LiDAR分割基准数据集进行的广泛实验证明了FRNet的优越性。值得注意的是，FRNet在SemanticKITTI和nuScenes的测试集上分别达到了73.3%和82.5%的mIoU分数。在实现有竞争力的性能的同时，FRNet的运行速度比最先进的方法快5倍。如此高的效率为更可扩展的LiDAR分割开辟了新的可能性。代码已公开在https://github.com/Xiangxu-0103/FRNet。
引用
@article{arxiv.2312.04484,
title = {FRNet: Frustum-Range Networks for Scalable LiDAR Segmentation},
author = {Xiang Xu and Lingdong Kong and Hui Shuai and Qingshan Liu},
journal= {arXiv preprint arXiv:2312.04484},
year = {2025}
}
备注
TIP 2025; 18 pages, 11 figures, 14 tables; Code at https://github.com/Xiangxu-0103/FRNet