SalsaNext: تقسيم معنوي سريع وواعٍ بالشكوك لسحابات نقاط LiDAR لقيادة السيارات ذاتية القيادة

في هذا البحث، نقدم SalsaNext لتقسيم الدلالة (semantic segmentation) للسحابة النقطية ثلاثية الأبعاد الكاملة من LiDAR في الوقت الفعلي مع الوعي بالغموض (uncertainty-aware). يمثل SalsaNext الإصدار التالي من SalsaNet [1] الذي يتميز ببنية مُشفِّر-مُفكِّك (encoder-decoder)، حيث يتضمن وحدة المُشفِّر مجموعة من كتل ResNet والجزء المُفكِّك يجمع الخصائص المرتفعة الدقة من كتل الباقي (residual blocks). على عكس SalsaNet، نقدم وحدة سياق جديدة، نستبدل كتل مُشفِّر ResNet بكدس تجميع التفافات الباقي المتزايدة التأثير التدريجيًا (residual dilated convolution stack)، ونضيف طبقة pixel-shuffle في الجزء المُفكِّك. بالإضافة إلى ذلك، ننتقل من التفاف الخطوة (stride convolution) إلى المسح الوسطي (average pooling)، ونطبق أيضًا معالجة الانقطاع المركزية (central dropout treatment). لتحسين مؤشر جاكارد مباشرة، ندمج خسارة التربيع العرضي الموزونة (weighted cross-entropy loss) مع خسارة Lovasz-Softmax [2]. وأخيرًا، نقوم بإدخال المعالجة البيزية لحساب الغموض العقلي والغموض العشوائي لكل نقطة في السحابة. نوفر تقييمًا كميًا شاملًا على مجموعة بيانات Semantic-KITTI [3]، مما يثبت أن الشبكة المقترحة SalsaNext تتفوق على شبكات تقسيم الدلالة الأكثر تقدمًا وتحتل المركز الأول في قائمة تصنيفات Semantic-KITTI. كما قمنا بنشر شفرتنا المصدر على الرابط: https://github.com/TiagoCortinhal/SalsaNext.