自监督多帧神经场景流
计算机视觉与模式识别
2024-03-26 v1 人工智能
机器学习
摘要
神经场景流先验（NSFP）与快速神经场景流（FNSF）在大规模分布外自动驾驶场景中展现出了卓越的适应性。尽管取得了成功，其惊人泛化能力的潜在原因仍不清楚。我们的研究通过一致稳定性（uniform stability）的视角考察了 NSFP 的泛化能力，从而填补了这一空白，揭示其性能与输入点云的数量成反比。这一发现阐明了 NSFP 在处理大规模点云场景流估计任务中的有效性。受此理论见解启发，我们进一步探索了通过利用多帧间的历史点云来改善场景流估计，这本质上增加了点云的数量。因此，我们提出了一种简单有效的多帧点云场景流估计方法，并对其泛化能力进行了理论评估。我们的分析证实，所提出的方法保持了有限的泛化误差，表明在场景流优化过程中添加多帧不会削弱其泛化性。在大规模自动驾驶 Waymo Open 和 Argoverse 激光雷达数据集上的大量实验结果表明，所提出的方法实现了 SOTA 性能。
引用
@article{arxiv.2403.16116,
title = {Self-Supervised Multi-Frame Neural Scene Flow},
author = {Dongrui Liu and Daqi Liu and Xueqian Li and Sihao Lin and Hongwei xie and Bing Wang and Xiaojun Chang and Lei Chu},
journal= {arXiv preprint arXiv:2403.16116},
year = {2024}
}