【论文笔记】激光点云柱面投影图的显著性检测 LiDAR Imaging-based Attentive Perception

内华达大学里诺分校

在嵌入式处理器设备上(飞行器)达到了毫秒级执行时间, 使用的激光雷达型号 :　 OUSTER OS1-64 （图像尺寸2048×10），OUSTER OS0-128（图像尺寸2048×10）
这种激光雷达可以提供的信息包括: 距离, 强度, 反射率(表面属性)以及环境的近红外成像(环境中红外源的图像)
本文融合了上述几种数据源,将激光雷达作为新型相机, 在其上进行语义分割,然后在最显著的目标上进行检测\分类\识别等, 因而降低了计算量。

本文方法

概述：

1. 使用四种数据图像（距离, 强度, 反射率以及环境的近红外成像）作为独立的数据源
2. 对每个数据，使用图像金字塔在不同尺度下及进行处理
3. 将得到的四个输出合成一个， 得到显著性图。
   

A. LiDAR Imaging-based Saliency

本文中，作者将基于点云柱面图的显著性定义为 不与特定任务相关的的显著性，因而使以自下而上方式驱动的。

1. Feature Channels

首先计算点云图像：
[$I_L$, $R_L$,$A_L$,$D_L$]： intensity, reflectivity, ambient NIR　以及　depth (range) images
上述图像作为图像金字塔输入图像的各个通道。

2. Image Pyramids

对于每个通道(即$I_{\ell },R_{\ell },A_{\ell },D_{\ell }$)，使用高斯平滑计算孪生金字塔特征图： center image： ${\mathbf{C}}_{\ell }=\left[{\mathbf{c}}_{\ell ,0},\dots ,{\mathbf{c}}_{\ell ,L}\right]$ 以及 surround image: ${\mathbf{S}}_{}$