2D 分割主干网络对 4D 雷达点云预测的影响
计算机视觉与模式识别
2025-10-13 v2 机器人学
摘要
激光雷达（LiDAR）的稠密、锐利的点云（PC）表示能够准确感知周围环境，显著提升道路安全，因而提供更广泛的场景感知与理解能力。然而，LiDAR 的高成本持续限制了其在商业化车辆中的广泛采用。先前的研究表明，通过训练神经网络（以 LiDAR 点云作为 ground truth），仅使用 4D 雷达即可生成类似 LiDAR 的 3D 点云，以此规避对 LiDAR 的依赖。其中一个最佳实例是使用模块化 2D 卷积神经网络（CNN）主干和其核心的时序一致性网络构成的神经网络，用于训练更高效的雷达目标检测器，采用 RaDelft 数据集进行训练（见 arXiv:2406.04723）。本文我们检验更高容量分割主干网络对生成点云质量的影响。我们的结果表明，过于高容量的模型实际上可能损害性能，而最佳分割主干可相对于最新方法（SOTA）提升 23.7%。
引用
@article{arxiv.2509.19644,
title = {The Impact of 2D Segmentation Backbones on Point Cloud Predictions Using 4D Radar},
author = {William Muckelroy and Mohammed Alsakabi and John Dolan and Ozan Tonguz},
journal= {arXiv preprint arXiv:2509.19644},
year = {2025}
}