学习时空变化用于 4D 点云分割
计算机视觉与模式识别
2022-07-12 v1
摘要
基于 LiDAR 的 3D 场景感知是自动驾驶中一项基础且重要的任务。大多数基于 LiDAR 的 3D 识别任务的最先进(state-of-the-art)方法聚焦于单帧 3D 点云数据，且在这些方法中时间信息被忽略。我们认为跨帧的时间信息为 3D 场景感知提供了关键知识，尤其在驾驶场景中。在本文中，我们聚焦于空间和时间变化以更好地探索 3D 帧间的时间信息。我们设计了一个时间变化感知插值模块和一个时间体素-点细化器来捕获 4D 点云中的时间变化。时间变化感知插值通过捕获空间一致性和时间变化信息，从先前和当前帧生成局部特征。时间体素-点细化器在 3D 点云序列上构建时间图，并通过图卷积模块捕获时间变化。时间体素-点细化器还将粗体素级预测转换为细点级预测。借助我们提出的模块，新网络 TVSN 在 SemanticKITTI 和 SemantiPOSS 上取得了最先进性能。具体而言，我们的方法在 SemanticKITTI 的多扫描分割任务上实现了 52.5% 的 mIoU（相较先前最佳方法 +5.5%），在 SemanticPOSS 上实现了 63.0%（相较先前最佳方法 +2.8%）。
引用
@article{arxiv.2207.04673,
title = {Learning Spatial and Temporal Variations for 4D Point Cloud Segmentation},
author = {Shi Hanyu and Wei Jiacheng and Wang Hao and Liu Fayao and Lin Guosheng},
journal= {arXiv preprint arXiv:2207.04673},
year = {2022}
}
备注
12 pages, 9 figures