SqueezeSeg: 基于循环CRF的卷积神经网络，用于从3D LiDAR点云实时分割道路目标
计算机视觉与模式识别
2017-10-23 v1
摘要
在本文中，我们解决从3D LiDAR点云进行道路目标语义分割的问题。特别地，我们希望检测并分类感兴趣的实例，如汽车、行人和骑行者。我们将该问题表述为逐点分类问题，并提出了一个基于卷积神经网络（CNN）的端到端流水线SqueezeSeg：CNN接收变换后的LiDAR点云作为输入，直接输出逐点标签图，随后由作为循环层实现的条件随机场（CRF）进行细化。然后通过传统聚类算法获得实例级标签。我们的CNN模型在KITTI数据集的LiDAR点云上训练，逐点分割标签源自KITTI的3D边界框。为获取额外训练数据，我们在流行视频游戏《侠盗猎车手V》（GTA-V）中构建了一个LiDAR模拟器，以合成大量逼真的训练数据。实验表明，SqueezeSeg以惊人的快速稳定运行时间（每帧8.7 ms）实现了高精度，极适合自动驾驶应用。此外，在合成数据上额外训练可提升真实世界数据上的验证精度。我们的源代码和合成数据将开源。
引用
@article{arxiv.1710.07368,
title = {SqueezeSeg: Convolutional Neural Nets with Recurrent CRF for Real-Time Road-Object Segmentation from 3D LiDAR Point Cloud},
author = {Bichen Wu and Alvin Wan and Xiangyu Yue and Kurt Keutzer},
journal= {arXiv preprint arXiv:1710.07368},
year = {2017}
}