通过基于梯度的目标定位实现可解释的 LiDAR 点云语义分割
计算机视觉与模式识别
2024-02-20 v1 人工智能
摘要
LiDAR 点云的语义分割（SS）对于城市规划和自动驾驶等许多应用至关重要。虽然在解释图像的 SS 预测方面已取得很大进展，但解释点云 SS 预测仍然是一个挑战。本文介绍了 pGS-CAM，一种用于在神经网络激活层中生成显著性图的新型基于梯度的方法。受 Grad-CAM 的启发（后者利用梯度突出局部重要性），pGS-CAM 在各种数据集（SemanticKITTI、Paris-Lille3D、DALES）和 3D 深度学习架构（KPConv、RandLANet）上均表现出鲁棒性和有效性。我们的实验表明，pGS-CAM 通过突出每个点的贡献，有效地强调了 SS 架构中间激活中的特征学习。这使我们能够更好地理解 SS 模型如何做出预测，并识别潜在的改进领域。相关代码可在 https://github.com/geoai4cities/pGS-CAM 获取。
引用
@article{arxiv.2402.12098,
title = {Towards Explainable LiDAR Point Cloud Semantic Segmentation via Gradient Based Target Localization},
author = {Abhishek Kuriyal and Vaibhav Kumar},
journal= {arXiv preprint arXiv:2402.12098},
year = {2024}
}