SMAC-Seg：基于稀疏多方向注意力聚类的LiDAR全景分割
计算机视觉与模式识别
2021-09-01 v1
摘要
全景分割旨在统一框架中同时解决语义与实例分割。然而，在自动驾驶等应用中高效的全景分割方案仍是开放研究问题。本文提出一种新颖的基于LiDAR的全景系统，称为SMAC-Seg。我们提出可学习的稀疏多方向注意力聚类来分割多尺度前景实例。SMAC-Seg是一种基于聚类的实时方法，去除了复杂的提议网络以分割实例。多数现有基于聚类的方法仅用预测与真值中心偏移的差作为唯一损失来监督实例质心回归。然而，该损失函数仅考虑当前物体的质心，在学习聚类时未考虑其相对于邻近物体的位置。因此，我们提出使用一种新颖的质心感知排斥损失作为附加项，有效监督网络区分各物体簇与其邻簇。实验结果表明，在大规模公开SemanticKITTI与nuScenes全景分割数据集上，SMAC-Seg在所有可实时部署网络中取得了SOTA性能。
引用
@article{arxiv.2108.13588,
title = {SMAC-Seg: LiDAR Panoptic Segmentation via Sparse Multi-directional Attention Clustering},
author = {Enxu Li and Ryan Razani and Yixuan Xu and Liu Bingbing},
journal= {arXiv preprint arXiv:2108.13588},
year = {2021}
}