基于不确定性感知学习的开放集 LiDAR 全景分割
计算机视觉与模式识别
2025-09-04 v3 人工智能
机器学习
机器人学
摘要
在开放世界环境中导航的自动驾驶车辆可能遇到以前未出现的目标类别。然而，大多数现有的 LiDAR 全景分割模型依赖于封闭集假设，无法检测未知目标实例。在本工作中，我们提出了 ULOPS（Uncertainty-Guided Open-Set Panoptic Segmentation），一种利用 Dirichlet-based evidential learning 模型预测不确定性的开放集全景分割框架。我们的体系结构包含用于语义分割带不确定性估计的独立解码器、用于原型关联的嵌入以及用于实例中心预测。推理时，我们利用不确定性估计来识别和分割未知实例。为加强模型区分已知与未知目标的能力，我们引入了三个不确定性驱动的损失函数：Uniform Evidence Loss 以鼓励未知区域的高不确定性；Adaptive Uncertainty Separation Loss 确保已知和未知目标之间不确定性估计在全局尺度上的一致差异；Contrastive Uncertainty Loss 在细粒度层面细化这种分离。为评估开放集性能，我们在 KITTI-360 上扩展了基准设置，并为 nuScenes 引入新的开放集评估。大量实验表明，ULOPS 在所有方面均 consistently 优于现有的开放集 LiDAR 全景分割方法。
引用
@article{arxiv.2506.13265,
title = {Open-Set LiDAR Panoptic Segmentation Guided by Uncertainty-Aware Learning},
author = {Rohit Mohan and Julia Hindel and Florian Drews and Claudius Gläser and Daniele Cattaneo and Abhinav Valada},
journal= {arXiv preprint arXiv:2506.13265},
year = {2025}
}