本文介绍了一项在AAAI22会议上发表的研究，该研究提出了一种名为Sparse Cross-scale Attention Network (SCAN)的方法，用于解决自动驾驶中的LiDAR点云全景分割问题。SCAN通过cross-scale global attention模块和BEV sparse centroid distribution，解决了点云分割中的过分割和欠分割问题，实现了高效且精确的全景分割。实验表明，该方法在保持实时性的同时，达到了SORT的效果。
By 元戎感知组
今天和大家分享工作的是自动驾驶中的点级别的全景分割感知任务。内容主要是解读我们组最新的一篇被AAAI22接收的点云全景分割的工作 Sparse Cross-scale Attention Network for Efficient LiDAR Panoptic Segmentation.
Introduction & Motivation
About Panoptic Segmentation
对于自动驾驶而言，仅仅是提取感兴趣物体的检测信息（位置、大小、速度和类别等）是不够的，这种信息只能描述一个驾驶场景中的部分信息，另一部分信息包括建筑物，树木、栅栏等非物体信息同样对驾驶的决策起着重要作用。其次，物体框级别的信息对于某些场景就不够用了，比如多段车场景等，这时候就需要精确到点级别的感知能力。
因此，除了检测任务，自动驾驶重同样有一个重要的任务——分割。其中点云语义分割的任务是要给点云中的每一个点打上一个标签，比如车辆、行人、树木、栅栏等等；而点云实例分割的主要任务是判断点是否属于一个物体，并且属于哪个物体，即给每个点打上所属物体的id标签。点云全景分割可以看做是点云语义分割和实例分割的结合，参考下图：
基于LiDAR点云的不同的分割任务【1】
Related Work
点云有一些特性：稀疏性（sparse），表面聚集性（surface-aggregated）。这使得处理全景分割这样的任务时会有一些问题：
- LiDAR只能照射到物体表面，因此对于一些大车来说，表面点距离其中心很远，往往会导致过分割，如下图b
- 有些距离很近的小物体，比如聚集的人群，往往又会在距离空间和特征空间上被错误的合并在一起，形成欠分割，如下图a,c
最低0.47元/天 解锁文章
扫一扫
1080
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
