SqueezeSegV3：用于高效点云分割的空间自适应卷积
计算机视觉与模式识别
2021-04-14 v2
摘要
LiDAR 点云分割是许多应用中的重要问题。对于大规模点云分割，事实上的方法是将 3D 点云投影得到 2D LiDAR 图像，并使用卷积进行处理。尽管常规 RGB 图像与 LiDAR 图像之间存在相似性，我们发现 LiDAR 图像的特征分布在不同图像位置发生剧烈变化。使用标准卷积处理此类 LiDAR 图像是有问题的，因为卷积滤波器会提取仅在图像特定区域活跃的局部特征。结果，网络容量未被充分利用，分割性能下降。为了解决这个问题，我们提出了空间自适应卷积（SAC），根据输入图像在不同位置采用不同的滤波器。SAC 可以高效计算，因为它可以实现为一系列逐元素乘法、im2col 和标准卷积。它是一个通用框架，使得先前的几种方法可以看作是 SAC 的特例。使用 SAC，我们构建了用于 LiDAR 点云分割的 SqueezeSegV3，并在 SemanticKITTI 基准上以可比拟的推理速度超越所有先前发表的方法至少 3.7% mIoU。
引用
@article{arxiv.2004.01803,
title = {SqueezeSegV3: Spatially-Adaptive Convolution for Efficient Point-Cloud Segmentation},
author = {Chenfeng Xu and Bichen Wu and Zining Wang and Wei Zhan and Peter Vajda and Kurt Keutzer and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:2004.01803},
year = {2021}
}
备注
Accepted by ECCV 2020. Code and data are available at: https://github.com/chenfengxu714/SqueezeSegV3.git