P2Net：基于连续帧一致性的激光雷达点云语义分割后处理精修网络
计算机视觉与模式识别
2022-12-02 v1 机器人学
摘要
我们提出一种轻量级后处理方法，用于精修点云序列的语义分割结果。大多数现有方法通常逐帧分割，并遇到该问题固有的模糊性：基于单帧中的一次测量，有时即便人类也难以预测标签。为补救此问题，我们提出显式训练一个网络来精修由现有分割方法预测的结果。该网络称为 P2Net，其在配准后学习来自连续帧的重合点之间的一致性约束。我们在由真实室外场景组成的 SemanticKITTI 数据集上对所提后处理方法进行定性与定量评估。通过比较两个代表性网络在有和无后处理网络精修时的结果，验证了所提方法的有效性。具体而言，定性可视化验证了关键思想：难以预测的点的标签可通过 P2Net 纠正。定量上，PointNet [1] 的总体 mIoU 从 10.5% 提升至 11.7%，PointNet++ [2] 从 10.8% 提升至 15.9%。
引用
@article{arxiv.2212.00567,
title = {P2Net: A Post-Processing Network for Refining Semantic Segmentation of LiDAR Point Cloud based on Consistency of Consecutive Frames},
author = {Yutaka Momma and Weimin Wang and Edgar Simo-Serra and Satoshi Iizuka and Ryosuke Nakamura and Hiroshi Ishikawa},
journal= {arXiv preprint arXiv:2212.00567},
year = {2022}
}
备注
2020 IEEE International Conference on Systems, Man, and Cybernetics (SMC)