Paved2Paradise：通过分解真实世界实现高性价比且可扩展的LiDAR仿真

为了获得强大的真实世界性能，必须在大型、多样化的数据集上训练神经网络；然而，获取和标注此类数据集既昂贵又耗时，特别是对于3D点云。在本文中，我们描述了Paved2Paradise，一种简单且高性价比的方法，用于从头生成完全标注、多样且逼真的lidar数据集，同时只需最少的人工标注。我们的关键洞察是，通过刻意收集单独的“背景”和“对象”数据集（即“分解真实世界”），我们可以智能地将它们结合起来，产生一个组合上庞大且多样化的训练集。因此，Paved2Paradise流程由四个步骤组成：（1）收集大量背景数据，（2）在隔离环境（如停车场）中记录所需对象类别执行不同行为的个体，（3）为对象数据集引导标注，以及（4）通过将对象放置在背景中的任意位置来生成样本。为了证明Paved2Paradise的实用性，我们为两项任务生成了合成数据集：（1）果园中的人体检测（一项没有公开数据的任务）和（2）城市环境中的行人检测。定性地看，我们发现仅在Paved2Paradise合成数据上训练的模型在检测果园中的人类方面非常有效，包括当个体被树枝严重遮挡时。定量地看，使用源自KITTI背景的Paved2Paradise数据训练的模型与在实际数据集上训练的模型性能相当。这些结果表明，Paved2Paradise合成数据流程可以帮助加速在以前获取lidar数据集成本过高的领域的点云模型开发。