面向激光雷达点云的开世界语义分割
计算机视觉与模式识别
2022-07-05 v1 机器人学
摘要
当前用于激光雷达（LIDAR）语义分割的方法对于自动驾驶等真实世界应用而言不够鲁棒，因为它们是闭集且静态的。闭集假设使网络只能输出已训练类别的标签，即便面对从未见过物体时也是如此，而静态网络无法根据其所见更新知识库。因此，在本工作中，我们提出面向激光雷达点云的开世界语义分割任务，旨在 1）利用开集语义分割识别旧类与新类，以及 2）利用增量学习逐步将新物体纳入现有知识库且不遗忘旧类。为此，我们提出一种冗余分类器（REdundAncy cLassifier, REAL）框架，为开集语义分割与增量学习问题提供通用架构。实验结果表明，REAL 在 SemanticKITTI 与 nuScenes 数据集上的开集语义分割任务中同时达到了最先进（SOTA）性能，并在增量学习过程中大幅缓解了灾难性遗忘问题。
引用
@article{arxiv.2207.01452,
title = {Open-world Semantic Segmentation for LIDAR Point Clouds},
author = {Jun Cen and Peng Yun and Shiwei Zhang and Junhao Cai and Di Luan and Michael Yu Wang and Ming Liu and Mingqian Tang},
journal= {arXiv preprint arXiv:2207.01452},
year = {2022}
}
备注
Accepted by ECCV 2022. arXiv admin note: text overlap with arXiv:2011.10033, arXiv:2109.05441 by other authors