PCSCNet：基于点卷积与稀疏卷积网络的自动驾驶激光雷达点云快速三维语义分割
计算机视觉与模式识别
2022-02-22 v1
摘要
自动驾驶汽车必须快速识别驾驶环境以实现安全驾驶。随着光探测与测距(LiDAR)传感器在自动驾驶汽车中的广泛应用，激光雷达点云的快速语义分割（即传感器帧率内的点云逐点分类）在驾驶环境识别中受到关注。尽管基于体素和融合的语义分割模型是近期点云语义分割的SOTA模型，但其实时性受高体素分辨率带来的高计算负载影响。本文提出使用点卷积与三维稀疏卷积(PCSCNet)的快速体素基语义分割模型。所提模型利用基于点卷积的特征提取，旨在高、低体素分辨率下均表现优异。此外，该模型在特征提取后利用三维稀疏卷积加速特征传播。实验结果表明，所提模型在SemanticKITTI和nuScenes的语义分割上优于SOTA实时模型，并实现了激光雷达点云推理的实时性能。
引用
@article{arxiv.2202.10047,
title = {PCSCNet: Fast 3D Semantic Segmentation of LiDAR Point Cloud for Autonomous Car using Point Convolution and Sparse Convolution Network},
author = {Jaehyun Park and Chansoo Kim and Kichun Jo},
journal= {arXiv preprint arXiv:2202.10047},
year = {2022}
}