通过动态转移网络实现统一的3D和4D全视分段

科学领域:

• 计算机视觉 计算机视觉
• 机器人技术 机器人技术 机器人技术
• 自动驾驶自动驾驶的自动驾驶

背景情况:

• 自动驾驶系统需要强大的3D感知.
• 现有的方法往往侧重于对象检测或语义细分,而不是统一的场景解析.
• 由于复杂的点云分布,LiDAR数据带来了独特的挑战.

研究的目的:

• 为基于LiDAR的全视分段开发一个统一的框架.
• 为了应对在3D点云中分析对象和场景的挑战.
• 扩展4D全视分段的框架,将时间信息纳入框架内一致的实例预测.

主要方法:

• 拟议的动态转移网络 (DS-Net) 具有用于复杂点云的动态转移模块.
• 引入了一个高效,可学习的集群模块,适应内核功能.
• 通过从对齐的LiDAR扫描中构建4D数据体积来开发4D-DS-Net,以实现统一的时间集群.

主要成果:

• 作为点云的全光细分框架,DS-Net已经证明了其有效性.
• 4D-DS-Net通过统一时间实例集群,在4D全视分段中实现了卓越的性能.
• 在SemanticKITTI和Panoptic nuScenes数据集上的实验验证了提出的方法.

结论:

• 拟议的DS-Net和4D-DS-Net在自动驾驶的整体3D和4D感知方面取得了重大进展.
• 动态转移模块有效地处理复杂的LiDAR数据分布.
• 在4D-DS-Net中的统一时间处理确保了在多个中一致的实例识别.