SalsaNext：用于自动驾驶的 LiDAR 点云快速不确定性感知语义分割
计算机视觉与模式识别
2024-11-22 v4 机器学习
摘要
在本文中，我们引入 SalsaNext 用于全 3D LiDAR 点云的实时不确定性感知语义分割。SalsaNext 是 SalsaNet [1] 的下一版本，其具有编码器-解码器架构，其中编码器单元含有一组 ResNet 块，解码器部分结合来自残差块的上采样特征。与 SalsaNet 不同，我们引入了新的上下文模块，用具有逐渐增大感受野的新残差空洞卷积栈替换 ResNet 编码器块，并在解码器中加入像素重组（pixel-shuffle）层。此外，我们将步长卷积切换为平均池化，并应用中心丢弃（dropout）处理。为直接优化 Jaccard 指数，我们进一步将加权交叉熵损失与 Lovasz-Softmax 损失 [2] 结合。我们最终注入贝叶斯处理以计算点云中每个点的认知不确定性和偶然不确定性。我们在 Semantic-KITTI 数据集 [3] 上进行了详尽的定量评估，表明所提 SalsaNext 优于其他 SOTA 语义分割网络，并在 Semantic-KITTI 排行榜上排名第一。我们还发布了源代码 https://github.com/TiagoCortinhal/SalsaNext。
引用
@article{arxiv.2003.03653,
title = {SalsaNext: Fast, Uncertainty-aware Semantic Segmentation of LiDAR Point Clouds for Autonomous Driving},
author = {Tiago Cortinhal and George Tzelepis and Eren Erdal Aksoy},
journal= {arXiv preprint arXiv:2003.03653},
year = {2024}
}