SVASeg: Atenção Baseada em Vóxel Esparso para Segmentação Semântica de Nuvem de Pontos 3D LiDAR

O LiDAR 3D se tornou um sensor indispensável em veículos de condução autônoma. Na segmentação semântica de nuvem de pontos 3D baseada em LiDAR, a maioria dos segmentadores 3D baseados em vóxel não consegue capturar de forma eficiente grandes quantidades de informações contextuais, resultando em campos receptivos limitados e limitando seu desempenho. Para resolver esse problema, uma rede de atenção baseada em vóxel esparso é introduzida para a segmentação semântica de nuvem de pontos 3D LiDAR, denominada SVASeg, que captura grandes quantidades de informações contextuais entre os voxels por meio de atenção multi-cabeça baseada em vóxel esparso (SMHA). A atenção multi-cabeça tradicional não pode ser aplicada diretamente aos voxels esparsos não vazios. Para isso, uma tabela hash é construída de acordo com a incrementação das coordenadas dos voxels para buscar os voxels vizinhos não vazios de cada voxel esparso. Em seguida, os voxels esparsos são agrupados em diferentes grupos, e cada grupo corresponde a uma região local. Depois, a incorporação de posição, atenção multi-cabeça e fusão de características são realizadas para cada grupo a fim de capturar e agregar as informações contextuais. Com base no módulo SMHA, o SVASeg pode operar diretamente nos voxels não vazios, mantendo um overhead computacional comparável ao método convolucional. Resultados experimentais extensivos nos conjuntos de dados SemanticKITTI e nuScenes mostram a superioridade do SVASeg.