MAELi：面向大规模LiDAR点云的掩码自编码器
计算机视觉与模式识别
2023-12-08 v5
摘要
大规模LiDAR点云的感知过程不可避免地造成大的盲区，即传感器不可见的区域。我们展示了如何有效利用这些固有的采样特性进行自监督表示学习，通过设计一个高度有效的预训练框架，大幅减少训练最先进（SOTA）目标检测器所需的繁琐3D标注。我们的LiDAR点云掩码自编码器（MAELi）在重建过程中直观地在编码器和解码器中利用LiDAR点云的稀疏性。这带来了更具表达力和有用的初始化，可直接应用于下游感知任务，如自动驾驶的3D目标检测或语义分割。在一种新颖的重建方法中，MAELi区分空区域与遮挡区域，并采用针对LiDAR固有球面投影的新掩码策略。因此，在完全无任何真值且仅在单帧上训练的情况下，MAELi获得了对底层3D场景几何与语义的理解。为展示MAELi的潜力，我们以端到端方式预训练骨干网络，并展示了我们无监督预训练权重在3D目标检测和语义分割任务上的有效性。
引用
@article{arxiv.2212.07207,
title = {MAELi: Masked Autoencoder for Large-Scale LiDAR Point Clouds},
author = {Georg Krispel and David Schinagl and Christian Fruhwirth-Reisinger and Horst Possegger and Horst Bischof},
journal= {arXiv preprint arXiv:2212.07207},
year = {2023}
}
备注
Accepted to WACV 2024, 16 pages