从全景激光扫描中学习几何与光度特征用于户外场所分类
计算机视觉与模式识别
2026-03-16 v1 机器人学
摘要
语义场所分类是自动化机器人和车辆的核心任务之一，使其能够在陌生环境中进行自主决策与导航。与室内场景相比，户外场所更具挑战性，因涉及日间照度变化数十小时、车辆与行人遮挡等感知变异。本文提出了一种新方法，利用卷积神经网络（CNN）对户外场所进行分类，该方法以 3D 激光器获取的全景深度/反射率图像作为输入。首先，我们构建了一个大规模户外场所数据集，命名为 Multi-modal Panoramic 3D Outdoor（MPO），包含由两种不同激光器获取的两种类型点云，并以六类户外场所（海岸、森林、室内/室外停车场、住宅区、城市区）进行标注。其次，我们提供了基于激光的户外场所分类 CNN 方法，并在 MPO 数据集上进行评估。实验结果表明，我们的方法在利用深度与反射率两种模态方面优于传统方法，有效提升了分类性能。为分析训练得到的深度网络，我们可视化了所学习的特征。
引用
@article{arxiv.2603.12663,
title = {Learning Geometric and Photometric Features from Panoramic LiDAR Scans for Outdoor Place Categorization},
author = {Kazuto Nakashima and Hojung Jung and Yuki Oto and Yumi Iwashita and Ryo Kurazume and Oscar Martinez Mozos},
journal= {arXiv preprint arXiv:2603.12663},
year = {2026}
}
备注
Published in Advanced Robotics on 31 Jul 2018