TeFF：面向稀疏 3D LiDAR 语义分割的跟踪增强型遗忘-free 少样本学习
计算机视觉与模式识别
2024-08-29 v1 机器人学
摘要
在自动驾驶中，3D LiDAR 在理解车辆周围环境方面发挥关键作用。然而，新出现的未标注目标为语义分割带来了稀疏学习问题。本文通过利用 LiDAR 数据的时序连续性来克服当前稀疏语义分割的局限性。采用跟踪模型从 LiDAR 帧序列中生成伪ground-truth，从而显著扩充数据集，增强模型在新类别上的学习能力。然而，这种方法会导致数据不平衡偏向新数据，呈现出灾难性遗忘的新挑战。为缓解此问题，我们采用 LoRA 技术，这是一种减少可训练参数的技术，从而在保持对 base 类别性能的同时提高对新类别的适应性。本工作是稀疏 3D LiDAR 语义分割领域的重要进步。我们的代码已公开于 https://github.com/junbao-zhou/Track-no-forgetting。
引用
@article{arxiv.2408.15657,
title = {TeFF: Tracking-enhanced Forgetting-free Few-shot 3D LiDAR Semantic Segmentation},
author = {Junbao Zhou and Jilin Mei and Pengze Wu and Liang Chen and Fangzhou Zhao and Xijun Zhao and Yu Hu},
journal= {arXiv preprint arXiv:2408.15657},
year = {2024}
}