摘要
为了训练出性能优异的语义分割神经网络，拥有大规模且具备真实标注（ground truth）的数据集至关重要，这有助于网络在未见数据上实现良好泛化。本文提出了一种新型的点云增强方法，旨在人工扩充数据集的多样性。我们的传感器中心化增强方法保持了数据结构与激光雷达（LiDAR）传感器的实际能力一致。得益于这些新方法，我们能够将低价值数据丰富为高价值实例，甚至生成全新的场景。我们在公开的SemanticKITTI数据集上对多种神经网络进行了验证，结果表明，相较于各自的基线模型，所有网络的性能均得到提升。此外，实验还表明，我们的方法使得使用极小规模数据集成为可能，显著减少了标注时间、训练时间及相应的成本开销。