GIPSO：面向 3D LiDAR 分割中在线自适应的几何信息引导传播
计算机视觉与模式识别
2022-07-21 v1 人工智能
机器学习
摘要
3D 点云语义分割是自动驾驶的基础。文献中多数方法忽视了一个重要方面，即如何处理动态场景时的域偏移。这会严重妨碍自动驾驶车辆的导航能力。本文推进了该研究领域的最先进水平。我们的第一个贡献在于分析了点云分割中一个未受关注的新场景，即无源在线无监督域自适应（SF-OUDA）。我们通过实验表明，最先进的方法以在线方式将预训练深度网络模型自适应至未知域的能力相当有限。我们的第二个贡献是一种依赖自适应自训练与几何特征传播的方法，可在无需源数据或目标标签的情况下在线自适应预训练源模型。我们的第三个贡献是在源数据为合成数据、目标数据为真实世界捕获点云这一具挑战性设定中研究 SF-OUDA。我们使用近期的 SynLiDAR 数据集作为合成源，并引入两个新的合成（源）数据集，以激励未来的合成到真实自动驾驶研究。我们的实验在数千个真实世界点云上展示了分割方法的有效性。代码与合成数据集发布于 https://github.com/saltoricristiano/gipso-sfouda。
引用
@article{arxiv.2207.09763,
title = {GIPSO: Geometrically Informed Propagation for Online Adaptation in 3D LiDAR Segmentation},
author = {Cristiano Saltori and Evgeny Krivosheev and Stéphane Lathuilière and Nicu Sebe and Fabio Galasso and Giuseppe Fiameni and Elisa Ricci and Fabio Poiesi},
journal= {arXiv preprint arXiv:2207.09763},
year = {2022}
}
备注
Accepted at ECCV 2022