RPVNet：一种用于激光雷达点云分割的深度高效距离-点-体素融合网络
计算机视觉与模式识别
2021-03-25 v1
摘要
点云可以用许多形式（视图）表示，典型的有基于点的集合、基于体素的栅格或基于距离的图像（即全景视图）。基于点的视图几何精确，但无序，难以高效寻找局部邻域。基于体素的视图规则但稀疏，且当体素分辨率提高时计算量立方增长。基于距离的视图规则且通常稠密，然而球面投影使物理维度失真。基于体素和基于距离的视图都存在量化损失，尤其体素在面对大规模场景时。为在细粒度分割任务中利用不同视图优势并缓解各自缺陷，我们提出一种新颖的距离-点-体素融合网络，即 RPVNet。该网络中，我们设计了深度融合框架，在这三种视图间进行多重且互信息的交互，并提出门控融合模块（称 GFM），可基于并发输入自适应合并三种特征。此外，所提 RPV 交互机制高效，我们将其总结为更一般的公式。借助该高效交互与相对较低的体素分辨率，我们的方法也被证明更高效。最后，我们在两个大规模数据集 SemanticKITTI 和 nuScenes 上评估所提模型，其在两者上均展现 SOTA 性能。注意，我们的方法目前在 SemanticKITTI 排行榜上排名第 1，无需任何额外技巧。
引用
@article{arxiv.2103.12978,
title = {RPVNet: A Deep and Efficient Range-Point-Voxel Fusion Network for LiDAR Point Cloud Segmentation},
author = {Jianyun Xu and Ruixiang Zhang and Jian Dou and Yushi Zhu and Jie Sun and Shiliang Pu},
journal= {arXiv preprint arXiv:2103.12978},
year = {2021}
}