小数据场景下基于点-平面投影的精准激光点云语义分割
计算机视觉与模式识别
2025-09-16 v1 机器人学
摘要
激光点云语义分割是解释自动驾驶和机器人等应用中 3D 环境的关键技术。最近的方法通过利用不同的点云表示或整合来自其他传感器（如摄像头或外部数据集）的数据，实现了强大的性能。然而，这些方法常常受到高计算复杂度的限制，要求大量训练数据，限制了其在数据稀缺场景中的泛化能力。本文通过有效学习点-平面投影的 2D 表示中的特征，提高了基于点的技术性能，实现了仅依赖激光数据即可提取互补信息。此外，我们引入一种几何感知的数据增强技术，符合激光传感器特性，缓解类别不平衡。我们实现并评估了将点-平面投影应用于点云多个有信息 2D 表示的方法。实验表明，这种方法在有限数据场景下取得显著改进，同时在两个公开标准数据集（SemanticKITTI 和 PandaSet）上也实现了具竞争力的结果。本方法的代码可在 https://github.com/SiMoM0/3PNet 获取。
引用
@article{arxiv.2509.10841,
title = {Point-Plane Projections for Accurate LiDAR Semantic Segmentation in Small Data Scenarios},
author = {Simone Mosco and Daniel Fusaro and Wanmeng Li and Emanuele Menegatti and Alberto Pretto},
journal= {arXiv preprint arXiv:2509.10841},
year = {2025}
}
备注
Submitted to Computer Vision and Image Understanding