Zylinderförmige und asymmetrische 3D-Faltungssnetze für LiDAR-Segmentierung

Zustandsderkunst-Methoden für die Segmentierung von großflächigen Fahrzeug-LiDAR-Szenen projizieren häufig die Punktwolken in den 2D-Raum und verarbeiten sie dann mittels 2D-Faltung. Obwohl diese Vorgehensweise die Wettbewerbsfähigkeit in der Punktwolke zeigt, verändert sie unvermeidlich und verliert dabei die 3D-Topologie und geometrischen Beziehungen. Eine natürliche Lösung besteht darin, die 3D-Voxelisierung und 3D-Faltungsnetze zu nutzen. Allerdings haben wir festgestellt, dass bei der Verarbeitung von außergelagerten Punktwolken durch diesen Ansatz die Verbesserungen sehr begrenzt sind. Ein wichtiger Grund dafür ist das Merkmal der außergelagerten Punktwolken, nämlich ihre Sparsamkeit und variierende Dichte. Angeregt durch diese Erkenntnisse schlagen wir einen neuen Rahmen für die Segmentierung von außergelagerten LiDAR-Daten vor, bei dem zylindrische Partitionen und asymmetrische 3D-Faltungsnetze entwickelt werden, um das 3D-geometrische Muster zu erforschen, während diese inhärenten Eigenschaften beibehalten werden. Darüber hinaus wird ein punktweiser Feinabstimmungsmodul eingeführt, um die Störungen durch fehlerbehaftete voxelbasierte Labelcodierung zu verringern. Wir evaluieren das vorgeschlagene Modell anhand zweier großflächiger Datensätze, nämlich SemanticKITTI und nuScenes. Unsere Methode erreicht den ersten Platz im Leaderboard von SemanticKITTI und übertrifft bestehende Methoden auf nuScenes deutlich mit einem Abstand von etwa 4 %. Des Weiteren generalisiert sich der vorgeschlagene 3D-Rahmen auch gut auf LiDAR-Panoptik-Segmentierung und LiDAR-3D-Erkennung.