无物，无物：面向鲁棒 LiDAR 语义分割中突出安全关键类别的无事物方法
计算机视觉与模式识别
2025-03-25 v2 人工智能
摘要
现有的 LiDAR 语义分割在恶劣天气条件下的领域泛化方法在预测“事物”类别时与“景观”类别相比表现不足。 在典型的驾驶场景中，“事物”类别可为动态元素，且与更高碰撞风险相关，对安全的导航和规划至关重要。 认识到“事物”类别的重要性后，我们发现其性能下降是现有方法面临的严重瓶颈。 我们观察到，恶劣天气会导致语义级别特征退化，同时损坏局部特征，从而导致将“事物”错误预测为“景观”。 为缓解这些损坏，我们提出了一种方法，即 NTN - segmeNt Things for No-accident。 为解决语义级别特征的损坏，我们将每个点特征绑定到其所属的超类，从而防止将事物类别错误预测为视觉上不相似的类别。 此外，为了增强对恶劣天气导致的局部损坏的鲁棒性，我们将每个 LiDAR 束定义为局部区域，并提出一种正则化项，在特征空间中将干净数据与其损坏版本进行对齐。 NTN 在 SemanticKITTI-to-SemanticSTF 基准测试上实现了 +2.6 mIoU 的提升，在 SemanticPOSS-to-SemanticSTF 基准测试上实现了 +7.9 mIoU 的提升。 值得注意的是，NTN 在“事物”类别上分别实现了 +4.8 和 +7.9 mIoU 的改进，凸显了其有效性。
关键词
引用
@article{arxiv.2503.15910,
title = {No Thing, Nothing: Highlighting Safety-Critical Classes for Robust LiDAR Semantic Segmentation in Adverse Weather},
author = {Junsung Park and Hwijeong Lee and Inha Kang and Hyunjung Shim},
journal= {arXiv preprint arXiv:2503.15910},
year = {2025}
}
备注
18 pages, accepted in CVPR 2025