[论文解读] Projected-point-based Segmentation: A New Paradigm for LiDAR Point Cloud Segmentation

Shijie Li, Yun Liu+1 more|arXiv (Cornell University)|Aug 10, 2020

Remote Sensing and LiDAR Applications参考文献 23被引用 4

一句话总结

本文提出了一种新范式——基于投影点的分割，通过利用LiDAR扫描的固有顺序性，将基于点的方法适配于室外环境中的LiDAR点云。通过仅在投影图像上使用逐点卷积和矩阵乘法进行计算，该方法在SemanticKITTI基准测试中实现了比以往基于点的方法更高的精度和效率，即使采用简单的网络结构亦是如此。

ABSTRACT

Most point-based semantic segmentation methods are designed for indoor scenarios, but many applications such as autonomous driving vehicles require accurate segmentation for outdoor scenarios. For this goal, light detection and ranging (LiDAR) sensors are often used to collect outdoor environmental data. The problem is that directly applying previous point-based segmentation methods to LiDAR point clouds usually leads to unsatisfactory results due to the domain gap between indoor and outdoor scenarios. To address such a domain gap, we propose a new paradigm, namely projected-point-based methods, to transform point-based methods to a suitable form for LiDAR point cloud segmentation by utilizing the characteristics of LiDAR point clouds. Specifically, we utilize the inherent ordered information of LiDAR points for point sampling and grouping, thus reducing unnecessary computation. All computations are carried out on the projected image, and there are only pointwise convolutions and matrix multiplication in projected-point-based methods. We compare projected-point-based methods with point-based methods on the challenging SemanticKITTI dataset, and experimental results demonstrate that projected-point-based methods achieve better accuracy than all baselines more efficiently. Even with a simple baseline architecture, projected-point-based methods perform favorably against previous state-of-the-art methods. The code will be released upon paper acceptance.

研究动机与目标

• 解决室内与室外LiDAR点云分割之间的领域差距，因为现有基于点的方法在室外场景中表现欠佳。
• 利用LiDAR扫描的固有有序结构，设计更高效、更准确的分割框架。
• 提出一种新范式——基于投影点的方法，以更好地适应LiDAR数据，从而转换基于点的网络。
• 在SemanticKITTI数据集上实现最先进性能，同时保持极低的架构复杂度。

提出的方法

• 利用LiDAR扫描的固有角度顺序性，将3D LiDAR点云转换为2D投影图像。
• 基于投影图像结构进行点采样与分组，以降低计算开销。
• 所有操作——逐点卷积和矩阵乘法——均在投影图像空间中执行，而非原始3D坐标中。
• 利用投影图像表示以保持空间关系，同时实现高效计算。
• 设计一个轻量级网络，仅在投影图像上运行，避免复杂的3D操作。
• 在保持基于点网络简洁性的同时，使其能够利用LiDAR特有的数据顺序性。

实验结果

研究问题

• RQ1 基于投影点的方法能否有效弥合室内与室外LiDAR点云分割之间的领域差距？
• RQ2 与标准基于点的方法相比，利用LiDAR扫描的固有顺序性在多大程度上提升了分割效率与精度？
• RQ3 当在室外LiDAR数据上使用基于投影点的计算时，简单的网络架构能在多大程度上实现具有竞争力的性能？
• RQ4 投影图像表示是否能保留足够的几何信息，以实现在复杂室外场景中的精确语义分割？

主要发现

• 基于投影点的方法在SemanticKITTI数据集上的精度高于所有基于点的基线方法。
• 由于计算量减少，该方法表现出卓越的效率，仅依赖于逐点卷积和矩阵乘法。
• 即使采用简单的网络架构，所提出的方法在SemanticKITTI基准测试中仍优于以往的最先进方法。
• 使用投影图像能够有效利用LiDAR的固有扫描顺序性，从而提升采样与分组效果。
• 该方法通过适配室外数据特征，有效缓解了室内与室外分割之间的领域差距。
• 该方法在保持高性能的同时最小化计算复杂度，使其适用于实时应用。