LiDARNet：一种用于点云语义分割的边界感知域自适应模型

我们提出一种用于 LiDAR 扫描全场景语义分割的边界感知域自适应模型（LiDARNet）。我们的模型可通过双分支结构提取域私有特征与域共享特征。我们将 Gated-SCNN 嵌入 LiDARNet 的分割器组件中，以在学习预测全场景语义分割标签的同时学习边界信息。此外，我们通过引导模型利用域共享与私有特征学习两域间的映射，进一步缩小域间隙。另外，我们引入了一个新数据集（SemanticUSL\footnote{SemanticUSL 的访问地址:\url{https://unmannedlab.github.io/research/SemanticUSL}}）用于 LiDAR 点云语义分割的域自适应。该数据集具有与 SemanticKITTI 相同的数据格式与本体。我们在真实世界数据集 SemanticKITTI、SemanticPOSS 与 SemanticUSL 上进行了实验，这些数据集在通道分布、反射率分布、场景多样性及传感器设置上存在差异。使用我们的方法，可获得一个基于单投影的 LiDAR 全场景语义分割模型，在源域与目标域上均可工作。我们的模型在自适应后于源域保持几乎相同的性能，并在目标域获得 8%–22% 的 mIoU 性能提升。