Panoptic-PolarNet：无提议的激光雷达点云全景分割
计算机视觉与模式识别
2021-03-30 v1
摘要
全景分割提出了利用检测与分割二者优势的新挑战，旨在将实例分割与语义分割统一于单一框架中。然而，在新兴的激光雷达点云领域中，全景分割的高效解决方案仍是一个开放的研究问题且极少被探索。本文中，我们提出一种快速且鲁棒的激光雷达点云全景分割框架，称为 Panoptic-PolarNet。我们利用极坐标鸟瞰图（BEV）表示，在单一推理网络中同时学习语义分割与类无关的实例聚类，使我们能够规避城市街景中实例间遮挡的问题。为提升网络的可学习性，我们还提出了一种适配的实例增强技术以及一种新颖的对抗式点云剪枝方法。我们的实验表明，Panoptic-PolarNet 在 SemanticKITTI 与 nuScenes 数据集上以近乎实时的推理速度优于基线方法。Panoptic-PolarNet 在公开 SemanticKITTI 全景分割排行榜上取得了 54.1% 的 PQ，并在 nuScenes 验证集上取得领先性能。
引用
@article{arxiv.2103.14962,
title = {Panoptic-PolarNet: Proposal-free LiDAR Point Cloud Panoptic Segmentation},
author = {Zixiang Zhou and Yang Zhang and Hassan Foroosh},
journal= {arXiv preprint arXiv:2103.14962},
year = {2021}
}
备注
Accepted by CVPR 2021