反射率即所需：推进 LiDAR 语义分割
计算机视觉与模式识别
2024-10-01 v2 机器人学
图像与视频处理
摘要
LiDAR 语义分割框架主要使用基于几何的特征来区分扫描中的物体。尽管这些方法在具有清晰边界和不同形状的场景中表现出色，但它们在边界不清晰的环境（特别是在越野场景中）中性能会下降。为了解决这个问题，3D 分割算法的最新进展旨在利用原始 LiDAR 强度读数来提高预测精度。然而，尽管取得了这些进展，现有的基于学习的模型在关联原始强度与距离、入射角、材料反射率和大气条件等变量之间的复杂相互作用方面仍面临挑战。在我们先前工作的基础上，本文探讨了在基于学习的 LiDAR 语义分割框架中使用校准强度（也称为反射率）的优势。我们首先证明，将反射率作为输入通过提供更好的数据表示来增强 LiDAR 语义分割模型。使用 Rellis-3d 越野数据集进行的广泛实验表明，用反射率替换强度可使越野场景的平均交并比 (mIoU) 提高 4%。我们展示了在城市环境 (SemanticKITTI) 和跨传感器域适应中使用校准强度进行语义分割的潜在益处。此外，我们使用反射率作为输入测试了 Segment Anything Model (SAM)，从而改进了 LiDAR 图像的分割掩码。
引用
@article{arxiv.2403.13188,
title = {Reflectivity Is All You Need!: Advancing LiDAR Semantic Segmentation},
author = {Kasi Viswanath and Peng Jiang and Srikanth Saripalli},
journal= {arXiv preprint arXiv:2403.13188},
year = {2024}
}