An Experimental Study of SOTA LiDAR Segmentation Models

要約

ポイントクラウドセグメンテーション（PCS）は、各ポイントをポイントクラウドで分類することです。
このタスクにより、ロボットは3Dの周囲を解析し、自律的に実行できます。
異なるポイントクラウド表現によると、既存のPCSモデルは、ポイント、ボクセル、および範囲の画像ベースのモデルに大まかに分割できます。
ただし、アプリケーションの観点から、最先端のポイント、ボクセル、および範囲の画像ベースのモデル間の包括的な比較を報告する作業は見つかりませんでした。
このホワイトペーパーでは、LIDARデータモーション補償とモデルパラメーターのメトリック、テスト中に割り当てられた最大GPUメモリ、推論のレイテンシ、1秒あたりのフレーム、交差点（IOU）および平均Iou
（miou）スコア。
実験結果は、アプリケーション用の合理的なPCSモデルを選択する際にエンジニアに利益をもたらし、PCS分野の研究者をインスピレーションにして、実際のシナリオのためのより実用的なモデルを設計します。

要約(オリジナル)

Point cloud segmentation (PCS) is to classify each point in point clouds. The task enables robots to parse their 3D surroundings and run autonomously. According to different point cloud representations, existing PCS models can be roughly divided into point-, voxel-, and range image-based models. However, no work has been found to report comprehensive comparisons among the state-of-the-art point-, voxel-, and range image-based models from an application perspective, bringing difficulty in utilizing these models for real-world scenarios. In this paper, we provide thorough comparisons among the models by considering the LiDAR data motion compensation and the metrics of model parameters, max GPU memory allocated during testing, inference latency, frames per second, intersection-over-union (IoU) and mean IoU (mIoU) scores. The experimental results benefit engineers when choosing a reasonable PCS model for an application and inspire researchers in the PCS field to design more practical models for a real-world scenario.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google