PCB-RandNet：重新思考自动驾驶场景中用于激光雷达语义分割的随机采样
计算机视觉与模式识别
2024-03-07 v3
摘要
大规模 LiDAR 点云的快速高效语义分割是自动驾驶中的基础问题。为实现该目标，现有的基于点的方法主要选择采用随机采样策略来处理大规模点云。然而，我们的定量与定性研究发现，随机采样可能不太适合自动驾驶场景，因为 LiDAR 点在整个空间中呈现不均匀甚至长尾分布，这阻碍了模型从不同距离范围内的点中捕获充足信息，并降低了模型的学习能力。为缓解该问题，我们提出了一种新的极坐标柱平衡随机采样方法，使下采样后的点云保持更均衡的分布，并提升在不同空间分布下的分割性能。此外，引入采样一致性损失以进一步提升分割性能并降低模型在不同采样方法下的方差。大量实验证实，我们的方法在 SemanticKITTI 与 SemanticPOSS 基准上均取得了优异性能，分别实现了 2.8% 与 4.0% 的提升。源代码见 https://github.com/huixiancheng/PCB-RandNet。
引用
@article{arxiv.2209.13797,
title = {PCB-RandNet: Rethinking Random Sampling for LIDAR Semantic Segmentation in Autonomous Driving Scene},
author = {XianFeng Han and Huixian Cheng and Hang Jiang and Dehong He and Guoqiang Xiao},
journal= {arXiv preprint arXiv:2209.13797},
year = {2024}
}
备注
Accepted by ICRA 2024. Code: https://github.com/huixiancheng/PCB-RandNet