通过学习 3D 目标检测改进点云语义分割
计算机视觉与模式识别
2020-11-10 v3
摘要
点云语义分割在自动驾驶中起着至关重要的作用，提供关于可行驶表面和附近物体的关键信息，可辅助路径规划和碰撞避免等更高层任务。虽然当前 3D 语义分割网络专注于对表征良好类别表现优异的卷积架构，但对于共享相似几何特征的代表不足类别，其性能显著下降。我们提出一种新颖的 Detection Aware 3D Semantic Segmentation（DASS，检测感知 3D 语义分割）框架，显式利用来自辅助 3D 目标检测任务的定位特征。通过多任务训练，网络的共享特征表示被引导以感知每类检测特征，从而有助于解决几何相似类别的区分问题。我们额外提供了一种使用 DASS 为现有两阶段检测器生成高召回提案的流程，并证明所增加的监督信号可用于改进 3D 朝向估计能力。在 SemanticKITTI 和 KITTI 目标数据集上的大量实验表明，DASS 能在图像视场（FOV）内将几何相似类别的 3D 语义分割结果最高提升 37.8% IoU，同时保持高精度鸟瞰图（BEV）检测结果。
引用
@article{arxiv.2009.10569,
title = {Improving Point Cloud Semantic Segmentation by Learning 3D Object Detection},
author = {Ozan Unal and Luc Van Gool and Dengxin Dai},
journal= {arXiv preprint arXiv:2009.10569},
year = {2020}
}
备注
Accepted at IEEE Winter Conference on Applications of Computer Vision 2021 (WACV'21)