GSECnet：面向边缘计算的点云地面分割网络
计算机视觉与模式识别
2021-04-06 v1
摘要
由于点云稀疏且无序的数据结构，点云地面分割仍然具有挑战性。本文提出 GSECnet——面向边缘计算的地面分割网络（Ground Segmentation network for Edge Computing），一种高效的点云地面分割框架，专门设计用于部署在低功耗边缘计算单元上。首先，通过柱状化（pillarization）将原始点云转换为离散化表示。随后，柱内点的特征被输入 PointNet 以获得相应的柱特征图。接着，带有注意力模块的深度可分离 U-Net（depthwise-separable U-Net）从柱特征图中学习分类，且模型参数量大幅减少。我们所提出的框架在 SemanticKITTI 上与基于点和基于离散化的前沿学习方法进行了对比评估，并在高精度与低计算复杂度之间取得了优异的平衡。值得注意的是，我们的框架在桌面平台上实现了 135.2 Hz 的推理速度。此外，实验验证其可部署在仅耗电 10 瓦的低功耗边缘计算单元上。
引用
@article{arxiv.2104.01766,
title = {GSECnet: Ground Segmentation of Point Clouds for Edge Computing},
author = {Dong He and Jie Cheng and Jong-Hwan Kim},
journal= {arXiv preprint arXiv:2104.01766},
year = {2021}
}
备注
6 pages, 5 figures, code is available at https://github.com/SAMMiCA/GSECnet