LiON：利用多样化合成数据学习点级弃权惩罚用于激光雷达离群点检测
计算机视觉与模式识别
2024-12-20 v3
摘要
基于激光雷达的语义场景理解是现代自动驾驶感知栈中的重要模块。然而，由于激光雷达点云缺乏语义丰富的信息，识别点云中的离群点具有挑战性。先前SOTA方法采用启发式架构，我们从选择性分类的角度重新审视该问题，即在标准闭集分类设置中引入选择性函数。我们的方案建立在放弃选择任何内点类别的基本思想之上，但通过基于间隔的损失学习点级弃权惩罚。除学习范式外，合成离群点以逼近无限的真实离群点也至关重要，因此我们提出了一个强大的合成流程，生成源于多种因素（目标类别、采样模式与尺寸）的离群点。我们证明，除点级惩罚外，为不同类型（合成）离群点学习不同的弃权惩罚可进一步提升性能。我们在SemanticKITTI和nuScenes上评测了我们的方法并取得了SOTA结果。代码见 https://github.com/Daniellli/LiON/。
引用
@article{arxiv.2309.10230,
title = {LiON: Learning Point-wise Abstaining Penalty for LiDAR Outlier DetectioN Using Diverse Synthetic Data},
author = {Shaocong Xu and Pengfei Li and Qianpu Sun and Xinyu Liu and Yang Li and Shihui Guo and Zhen Wang and Bo Jiang and Rui Wang and Kehua Sheng and Bo Zhang and Li Jiang and Hao Zhao and Yilun Chen},
journal= {arXiv preprint arXiv:2309.10230},
year = {2024}
}
备注
Accepted by AAAI2025. Codes are available at https://github.com/Daniellli/LiON/