TransUPR：一种基于 Transformer 的激光雷达点云语义分割不确定点优化器
计算机视觉与模式识别
2023-10-13 v3
摘要
常见的基于图像的激光雷达点云语义分割（LiDAR PCSS）方法存在瓶颈，其源于卷积神经网络（CNN）的边界模糊问题以及球面投影的量化损失。在本工作中，我们提出一种基于 Transformer 的可插拔不确定点优化器，即 TransUPR，以可学习的方式细化所选的不确定点，从而提升分割性能。不确定点从二维图像分割的粗语义分割结果中采样，其中不确定点位于二维距离图像表示中的物体边界附近以及三维球面投影背景点处。随后，在不增加昂贵计算与内存占用的前提下，通过三维空间中的邻域点聚合不确定点的几何与粗语义特征。最后，利用包含四个堆叠自注意力层及一个 MLP 模块的基于 Transformer 的优化器，对自注意力层拼接特征进行不确定点分类。由于所提优化器独立于二维 CNN，我们的 TransUPR 可轻松集成到任何现有的基于图像的 LiDAR PCSS 方法中，例如 CENet。我们的 TransUPR 结合 CENet 在 Semantic KITTI 基准上取得了最先进（SOTA）性能，即 68.2% 的平均交并比（mIoU），相较于原始 CENet 在 mIoU 上提升了 0.6%。
引用
@article{arxiv.2302.08594,
title = {TransUPR: A Transformer-based Uncertain Point Refiner for LiDAR Point Cloud Semantic Segmentation},
author = {Zifan Yu and Meida Chen and Zhikang Zhang and Suya You and Raghuveer Rao and Sanjeev Agarwal and Fengbo Ren},
journal= {arXiv preprint arXiv:2302.08594},
year = {2023}
}
备注
6 pages; Accepted by 2023 IROS