时序重叠预测：一种用于 LiDAR 移动物体分割的自监督预训练方法
计算机视觉与模式识别
2025-10-03 v2 机器人学
摘要
LiDAR 点云上的移动物体分割（MOS）对于自动驾驶车辆等自主系统至关重要。以往的有监督方法严重依赖昂贵的人工标注，而 LiDAR 序列天然捕捉了可用于自监督学习的时序运动线索。本文提出时序重叠预测（TOP），一种自监督预训练方法，以减轻 MOS 的标注负担。TOP 探索当前扫描与相邻扫描中普遍观察到的时序重叠点，并通过预测时序重叠点的占据状态来学习时空表征。此外，我们将当前占据重建作为辅助预训练目标，以增强模型对当前结构的感知能力。我们进行了大量实验，并观察到传统指标交并比（IoU）对扫描点较多的物体表现出强烈偏差，这可能忽略较小或较远的物体。为弥补该偏差，我们引入了一个名为 mIoU_obj 的额外指标来评估物体级性能。在 nuScenes 和 SemanticKITTI 上的实验表明，TOP 优于从零开始的有监督训练基线及其他自监督预训练基线，相对提升最高达 28.77%，展现出跨 LiDAR 配置的强可迁移性以及对其他任务的泛化能力。代码和预训练模型将在发表后公开。
引用
@article{arxiv.2503.07167,
title = {Temporal Overlapping Prediction: A Self-supervised Pre-training Method for LiDAR Moving Object Segmentation},
author = {Ziliang Miao and Runjian Chen and Yixi Cai and Buwei He and Wenquan Zhao and Wenqi Shao and Bo Zhang and Fu Zhang},
journal= {arXiv preprint arXiv:2503.07167},
year = {2025}
}