PANet: LiDAR Panoptic Segmentation with Sparse Instance Proposal and Aggregation

要約

セマンティック セグメンテーションとインスタンス セグメンテーションの両方を含む信頼性の高い LiDAR パノプティック セグメンテーション (LPS) は、自動運転などの多くのロボット アプリケーションにとって不可欠です。
この研究では、オフセット ブランチへの依存を排除​​し、クラスタリング アルゴリズムによって常にオーバーセグメント化される大きなオブジェクトのパフォーマンスを向上させる、PANet という名前の新しい LPS フレームワークを提案しています。
まず、モノの点を生の点群から効率的にインスタンスに直接グループ化する「サンプリング-シフト-グループ化」スキームを備えた非学習のスパース インスタンス プロポーザル (SIP) モジュールを提案します。
より具体的には、距離範囲にわたってより均一な点分布を持つまばらなシード ポイントを生成するために、バランス ポイント サンプリングが導入されています。
また、シード ポイントをクラスター化された中心に縮小するために、バブル シフトと呼ばれるシフト モジュールが提案されています。
次に、接続コンポーネント ラベル アルゴリズムを利用してインスタンスの提案を生成します。
さらに、インスタンス集約モジュールは、断片化する可能性のあるインスタンスを統合し、大きなオブジェクトでの SIP モジュールのパフォーマンスを向上させるために考案されました。
広範な実験により、パノプティック セグメンテーション タスクの SemanticKITII 検証および nuScenes 検証に関する公開された研究の中で、PANet が最先端のパフォーマンスを達成していることが示されています。

要約(オリジナル)

Reliable LiDAR panoptic segmentation (LPS), including both semantic and instance segmentation, is vital for many robotic applications, such as autonomous driving. This work proposes a new LPS framework named PANet to eliminate the dependency on the offset branch and improve the performance on large objects, which are always over-segmented by clustering algorithms. Firstly, we propose a non-learning Sparse Instance Proposal (SIP) module with the “sampling-shifting-grouping’ scheme to directly group thing points into instances from the raw point cloud efficiently. More specifically, balanced point sampling is introduced to generate sparse seed points with more uniform point distribution over the distance range. And a shift module, termed bubble shifting, is proposed to shrink the seed points to the clustered centers. Then we utilize the connected component label algorithm to generate instance proposals. Furthermore, an instance aggregation module is devised to integrate potentially fragmented instances, improving the performance of the SIP module on large objects. Extensive experiments show that PANet achieves state-of-the-art performance among published works on the SemanticKITII validation and nuScenes validation for the panoptic segmentation task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google