基于多元占据时间序列的静止场景下无监督 4D LiDAR 运动目标分割
计算机视觉与模式识别
2023-01-13 v2
摘要
在本工作中，我们解决由静止传感器记录的 4D LiDAR 数据中无监督运动目标分割（MOS）问题，其中不涉及任何真值标注。基于深度学习的 LiDAR MOS 前沿方法严重依赖标注真值数据，而此类数据获取昂贵且稀缺。为弥补静止场景下的这一缺口，我们提出一种基于多元时间序列的新颖 4D LiDAR 表示，将无监督 MOS 问题放宽为时间序列聚类问题。更具体地，我们提出用多元占据时间序列（MOTS）对体素的占据变化建模，其捕获体素层级及其邻域的时空占据变化。为进行无监督 MOS，我们以自监督方式训练神经网络将 MOTS 编码为体素级特征表示，进而可由聚类算法划分为运动或静止。在 Raw KITTI 数据集静止场景上的实验表明，我们全无监督方法的性能可与有监督前沿方法相媲美。
引用
@article{arxiv.2212.14750,
title = {Unsupervised 4D LiDAR Moving Object Segmentation in Stationary Settings with Multivariate Occupancy Time Series},
author = {Thomas Kreutz and Max Mühlhäuser and Alejandro Sanchez Guinea},
journal= {arXiv preprint arXiv:2212.14750},
year = {2023}
}
备注
Preprint, Paper has been accepted at WACV2023