Cylinder3D论文阅读

Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR Segmentation（2020年论文）
作者：香港中文大学
论文链接：https://arxiv.org/pdf/2011.10033.pdf
代码链接：https://github.com/xinge008/Cylinder3D

摘要

为什么做这件事（why）：
● 目前用于自动驾驶场景的最好的点云分割算法常见的做法是将3D点云投射到2D空间，从而使用2D卷积进行处理，但是这种做法会损失掉一些3D信息。
● 三维体素化和三维卷积网络在室外点云中获得的改进相当有限。
● 究其原因是：sparsity and varying density，即室外开发环境的点云的稀疏性和密度不均匀性
作者做了什么（what）：
● 提出了一种新的框架，用于室外激光雷达点云分割
作者怎么做的（how）:
● 圆柱形分区（3D cylindrical partition）
● 非对称三维卷积网络（asymmetrical 3D convolution）
● 引入了一个point-wise细化模块：
减轻基于体素的标签编码的损失干扰
作者做的怎么样（result）:
● 在SemanticKITTI 1的排行榜上名列第一
● 在nuScenes上比现有方法高出约4%
● 所提出的3D框架也很好地推广到了激光雷达全景分割和激光雷达3D检测中

引言（Introduction）

提出问题:

● 激光雷达在自动驾驶中很重要
● 深度学习在图像分割算法上效果明显
● 目前的一些做法是将点云投射到2D空间（range-image方法、bev方法），但是会损失3D信息
● 三维体素化和三维卷积网络在室外点云中获得的改进相当有限

作者的论文：

提出了一种新的框架，用于室外激光雷达点云分割（3个创新点）
● 3D圆柱分区：这个组件涉及将3D点云数据分成圆柱形区域。它根据点离原点的距离动态进行分割。这种方法的理论依据是离传感器远的点通常具有较稀疏的数据，因此对这些区域使用较大的单元格。这有助于创建更平衡的点分布。
● 非对称3D卷积网络：这个部分指的是专门设计用于处理3D点云数据的卷积神经网络（CNN）。这些网络是“非对称的”，因为它们具有水平和垂直核，这些核被调整以匹配室外环境中的点分布。这种调整有助于使网络对稀疏数据更加稳健。
● point-wise模块：为了解决由于基于体素的编码而导致的信息丢失问题，引入了一个点级模块。这个模块可能对单个点执行操作，以refine从基于体素的网络获得的特征。它有助于保留重要的细节和点之间的区别。

相关工作

室内场景点云分割

室内场景特点

● uniform density
● small number of points
● small range of the scene

常用的方法

基于原始点进行处理：
● 基于PointNet，并通过改进采样、分组和排序等技术来提高性能
● 利用聚