基于LiDAR感知的圆柱形和不对称3D卷积网络

用于驾驶场景的基于LiDAR感知的最先进方法（包括点云语义分割、全景分割和3D检测等）通常将点云投影到2D空间，然后通过2D卷积进行处理。尽管这种合作在点云中表现出竞争力，但不可避免地改变和放弃了3D拓扑和几何关系。自然的补救措施是利用3D体素化和3D卷积网络。然而，我们发现，在户外点云中，采用这种方法获得的改善是相当有限的。一个重要原因是户外点云的特性，即稀疏性和密度变化。受此调查的启发，我们提出了一种新的户外LiDAR分割框架，其中设计了圆柱形分区和不对称3D卷积网络，以探索3D几何模式，同时保持这些固有特性。所提出的模型作为骨干网络，其学习到的特征可以用于下游任务，例如点云语义分割和全景分割或3D检测。在本文中，我们在这三项任务上对我们的模型进行了基准测试。对于语义分割，我们在多个大规模数据集上评估了所提出的模型，即SemanticKITTI、nuScenes和A2D2。我们的方法在SemanticKITTI的排行榜上（单次扫描和多次扫描挑战）达到了最先进水平，并在nuScenes和A2D2数据集上显著超越现有方法。此外，所提出的3D框架在LiDAR全景分割和LiDAR 3D检测上也显示出强大的性能和良好的泛化能力。