Panoster：激光雷达点云端到端全景分割
计算机视觉与模式识别
2023-08-22 v2 机器学习
机器人学
摘要
全景分割近期将此前分别处理的语义分割与实例分割相统一，从而向创建更全面高效的感知系统迈进一步。本文提出 Panoster，一种面向激光雷达点云、无需候选框生成的新颖全景分割方法。不同于以往依赖多步将像素或点分组为物体的方案，Panoster 提出一种简化框架，引入基于学习的聚类方案来识别实例。在推理时，该方案充当类无关的分割，使 Panoster 速度快，同时在精度上优于先前方法。无需任何后处理，Panoster 在具挑战性的 SemanticKITTI 基准上达到已发表方法中的 SOTA 结果，并借助启发式技术进一步扩大领先优势。此外，我们展示了该方法如何灵活且有效地应用于多种现有语义架构以给出全景预测。
引用
@article{arxiv.2010.15157,
title = {Panoster: End-to-end Panoptic Segmentation of LiDAR Point Clouds},
author = {Stefano Gasperini and Mohammad-Ali Nikouei Mahani and Alvaro Marcos-Ramiro and Nassir Navab and Federico Tombari},
journal= {arXiv preprint arXiv:2010.15157},
year = {2023}
}
备注
Preprint of IEEE RA-L article