基于点云卷积的雷达检测语义分割
计算机视觉与模式识别
2023-05-23 v1 机器学习
摘要
对于自动驾驶，雷达传感器无论天气条件如何均提供卓越的可靠性以及显著高的检测范围。基于雷达扫描的环境感知前沿算法构建于深度神经网络架构之上，其在内存与计算上可能代价高昂。然而，通过将雷达扫描作为点云处理，可在这方面提高效率。虽然卷积神经网络在图像等规则数据格式的模式识别上表现出优越性能，但卷积的概念在表示为点云的雷达检测领域尚未完全确立。点云卷积的主要挑战在于其不规则且无序的数据格式以及相关的排列方差。因此，我们应用 PointCNN 提出的基于深度学习的方法，对分组的雷达检测进行加权与排列，使所得排列不变簇可被卷积。此外，我们通过距离相关聚类与输入点云的预处理，使该算法进一步适配雷达特有属性。最后，我们表明在雷达点云语义分割任务上，我们的网络优于基于 PointNet++ 的前沿方法。
引用
@article{arxiv.2305.12775,
title = {Semantic Segmentation of Radar Detections using Convolutions on Point Clouds},
author = {Marco Braun and Alessandro Cennamo and Markus Schoeler and Kevin Kollek and Anton Kummert},
journal= {arXiv preprint arXiv:2305.12775},
year = {2023}
}
备注
5th International Conference on Artificial Intelligence, Automation and Control Technologies (AIACT 2021), 26-28 March 2021, Shanghai, China