SIESEF-FusionNet: Spatial Inter-correlation Enhancement and Spatially-Embedded Feature Fusion Network for LiDAR Point Cloud Semantic Segmentation

要約

点群セマンティック セグメンテーションにおけるさまざまなセマンティック クラスの境界における曖昧さは、自動運転などのインテリジェント認識システムにおける誤った決定につながることがよくあります。
したがって、自動運転の安全性を向上させるには、境界を正確に描くことが重要です。
この論文では、新しい空間相互相関強化および空間埋め込み特徴融合ネットワーク (SIESEF-FusionNet) を提案します。これは、逆距離重み付けと角度補償を組み合わせることによって空間相互相関を強化し、冗長性を生じさせることなく、より有益な空間情報を抽出します。
一方、新しい空間適応プーリング モジュールも設計されており、強化された空間情報をセマンティック特徴に埋め込んで、セマンティック特徴のコンテキスト認識を強化します。
実験結果は、Toronto3D データセット上の SIESEF-FusionNet によって 83.7% の mIoU と 97.8% の OA が達成され、他のベースライン手法よりも優れたパフォーマンスを示していることが実証されています。
semanticKITTI データセットでは 61.1% mIoU の値に達し、セグメンテーション パフォーマンスの顕著な向上が観察されます。
さらに、提案されたモジュールの有効性とプラグアンドプレイ機能は、アブレーション研究を通じてさらに検証されています。

要約(オリジナル)

The ambiguity at the boundaries of different semantic classes in point cloud semantic segmentation often leads to incorrect decisions in intelligent perception systems, such as autonomous driving. Hence, accurate delineation of the boundaries is crucial for improving safety in autonomous driving. A novel spatial inter-correlation enhancement and spatially-embedded feature fusion network (SIESEF-FusionNet) is proposed in this paper, enhancing spatial inter-correlation by combining inverse distance weighting and angular compensation to extract more beneficial spatial information without causing redundancy. Meanwhile, a new spatial adaptive pooling module is also designed, embedding enhanced spatial information into semantic features for strengthening the context-awareness of semantic features. Experimental results demonstrate that 83.7% mIoU and 97.8% OA are achieved by SIESEF-FusionNet on the Toronto3D dataset, with performance superior to other baseline methods. A value of 61.1% mIoU is reached on the semanticKITTI dataset, where a marked improvement in segmentation performance is observed. In addition, the effectiveness and plug-and-play capability of the proposed modules are further verified through ablation studies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google