Rethinking Range View Representation for LiDAR Segmentation

要約

LiDAR のセグメンテーションは、自動運転の認識にとって非常に重要です。
最近の傾向では、従来の範囲ビュー表現よりも優れたパフォーマンスが得られることが多いため、ポイント ベースまたはボクセル ベースの方法が好まれています。
この作業では、強力なレンジ ビュー モデルを構築するためのいくつかの重要な要素を明らかにします。
「多対一」マッピング、セマンティック インコヒーレンス、および形状の変形が、レンジ ビュー プロジェクションからの効果的な学習に対する障害となる可能性があることがわかります。
ネットワーク アーキテクチャ、データ拡張、および後処理にわたる斬新な設計で構成されるフルサイクル フレームワークである RangeFormer を紹介します。これは、レンジ ビューからの LiDAR ポイント クラウドの学習と処理をより適切に処理します。
さらに、満足のいく 3D セグメンテーション精度を維持しながら、任意の低解像度 2D 距離画像でトレーニングする範囲ビューからのスケーラブル トレーニング (STR) 戦略を導入します。
競合する LiDAR セマンティック セグメンテーションおよびパノプティック セグメンテーション ベンチマーク (SemanticKITTI、nuScenes、および ScribbleKITTI) で、レンジ ビュー メソッドがポイント、ボクセル、およびマルチビュー フュージョンの対応物を超えることができることを初めて示します。

要約(オリジナル)

LiDAR segmentation is crucial for autonomous driving perception. Recent trends favor point- or voxel-based methods as they often yield better performance than the traditional range view representation. In this work, we unveil several key factors in building powerful range view models. We observe that the ‘many-to-one’ mapping, semantic incoherence, and shape deformation are possible impediments against effective learning from range view projections. We present RangeFormer — a full-cycle framework comprising novel designs across network architecture, data augmentation, and post-processing — that better handles the learning and processing of LiDAR point clouds from the range view. We further introduce a Scalable Training from Range view (STR) strategy that trains on arbitrary low-resolution 2D range images, while still maintaining satisfactory 3D segmentation accuracy. We show that, for the first time, a range view method is able to surpass the point, voxel, and multi-view fusion counterparts in the competing LiDAR semantic and panoptic segmentation benchmarks, i.e., SemanticKITTI, nuScenes, and ScribbleKITTI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google