重新评估面向自动驾驶的 LiDAR 场景流
计算机视觉与模式识别
2023-12-21 v2
摘要
流行的自监督 LiDAR 场景流基准（stereoKITTI 与 FlyingThings3D）具有不真实的动态运动速率、不真实的对应点以及不真实的采样模式。因此，这些基准上的进展具有误导性，并可能导致研究者聚焦于错误的问题。我们在一组真实世界数据集（Argoverse 2.0、Waymo 与 NuScenes）上评估了一系列顶尖方法，并报告若干结论。首先，我们发现 stereoKITTI 上的性能与真实世界数据上的性能呈负相关。其次，我们发现该任务的关键组件之一——去除主导的自运动——由经典 ICP 比任何被测方法解决得更好。最后，我们表明尽管强调了学习，多数性能提升是由预处理与后处理步骤引起的：分段刚性细化与地面去除。我们通过一个将这些处理步骤与无学习的测试时流优化相结合的基线方法证明了这一点。该基线优于所有被评估的方法。
引用
@article{arxiv.2304.02150,
title = {Re-Evaluating LiDAR Scene Flow for Autonomous Driving},
author = {Nathaniel Chodosh and Deva Ramanan and Simon Lucey},
journal= {arXiv preprint arXiv:2304.02150},
year = {2023}
}
备注
WACV 2024