(ICRA 2020) Instance Segmentation of LiDAR Point Clouds

Abstract

我们提出了一种鲁棒的基线方法用于实例分割，该方法专为大型户外LiDAR点云而设计。我们的方法包括一种新颖的密集特征编码技术，允许对远处的小物体进行定位和分割，为单次实例预测提供简单但有效的解决方案，以及处理严重类别不平衡的有效策略。由于没有用于研究LiDAR实例分割的公共数据集，我们还构建了一个新的公开可用的LiDAR点云数据集，以包括精确的3D边界框和用于实例分割的逐点标签，同时仍然是大约3∼20倍与其他现有的LiDAR数据集一样大。数据集将发布在https://github.com/feihuzhang/LiDARSeg。

I. INTRODUCTION

准确捕捉户外场景中物体（例如汽车、行人、骑自行车的人等）的位置、速度、类型、形状、姿势、大小等对于许多视觉和机器人应用来说是一项至关重要的任务。 LiDAR系统可以在各种光照条件下从周围环境中高精度提取3D信息，已成为自动驾驶和机器人系统等的关键组件。

随着诸如[7]、[42]、[55]、[58]之类的方法的引入，激光雷达检测已经看到了许多最近的工作，这些方法将例如汽车的位置估计为3D或2D边界框。但是，对于检测，许多异常值(例如，来自道路或邻域的点)将被混合到边界框中。此外，任何缺陷(方位、尺寸、中心等误差。)将严重降低精度(如图1(b)所示)。

一个鲜为人知的研究途径是LiDAR数据中的实例分割。与物体检测的粗略估计不同，实例分割旨在准确地拾取每个前景物体的每个反射点。它可以显着减少离群点对每个物体的干扰，更好地表示不规则的形状，有助于更准确的传感器融合（图图1(c ))、运动规划和3D高清地图构建。此外，分割可以更好地处理3D边界框难以估计且通常具有大重叠的模糊不清的遮挡或邻域目标（如图1(