SqueezeSegV2：用于激光雷达点云道路目标分割的改进模型结构与无监督域适应
计算机视觉与模式识别
2018-09-25 v1
摘要
早前工作展示了基于深度学习的方法在点云分割中的前景；然而，这些方法需改进才能具实用价值。为此，我们引入新模型SqueezeSegV2，其对LiDAR点云中的丢弃噪声更具鲁棒性。借助改进的模型结构、训练损失、批归一化及额外输入通道，SqueezeSegV2在真实数据上训练时实现了显著的精度提升。训练点云分割模型需要大量标注点云数据，而获取昂贵。为规避采集与标注成本，诸如GTA-V的模拟器可用于生成无限的标注合成数据。然而，由于域偏移，在合成数据上训练的模型常不能很好泛化至真实世界。我们以包含三个主要组件的域适应训练流程解决该问题：1）学习式强度渲染，2）测地相关对齐，以及3）渐进式域校准。在真实数据上训练时，我们的新模型相较原始SqueezeSeg分割精度提升6.0-8.6%。当使用所提域适应流程在合成数据上训练新模型时，我们在真实世界数据上的测试精度从29.0%提升至57.4%，近乎翻倍。我们的源代码与合成数据集将开源。
引用
@article{arxiv.1809.08495,
title = {SqueezeSegV2: Improved Model Structure and Unsupervised Domain Adaptation for Road-Object Segmentation from a LiDAR Point Cloud},
author = {Bichen Wu and Xuanyu Zhou and Sicheng Zhao and Xiangyu Yue and Kurt Keutzer},
journal= {arXiv preprint arXiv:1809.08495},
year = {2018}
}
备注
Bichen Wu, Xuanyu Zhou, and Sicheng Zhao contributed equally to this paper