【Cylinder3D论文解读及代码略解】

论文解读

Abstract

在大规模行车场景分割的问题下，对于点云的处理方法通常是将点云投影到2维空间，然后使用2D卷积进行处理，但是这样做会忽视点云的3D拓扑和几何关系。自然的想法是利用3D体素划分和卷积网络，然而对于室外场景，由于点云稀疏性（sparsity）和密度可变性（varying density），这种方法效果并不太好。受上面研究的启发，我们提出了一种用于户外激光雷达分割的新框架，该框架设计了圆柱形分割（cylinder partition）和非对称三维卷积网络（asymmetry 3D convolution network），以探索三维几何模式，同时保持这些固有特性。此外，还引入逐点细化模块（point-wise refinement module）来降低有损体素标签编码的干扰。我们在SemanticKITTI和nuScenes两个大规模数据集上评估了所提出的模型。我们的方法在SemanticKITTI排行榜上获得了第一名，并且在nuScenes上以4%的显著优势超过了现有的方法。此外，所提出的三维框架对激光雷达全景分割和激光雷达三维检测也有很好的推广意义。

Introduction

• 柱坐标系划分：离原点越远，点云越稀疏，但是cell的体积是较大的，保证了cell中点云分布的均匀性
• 非对称三维卷积网络：通过增强水平核和垂直核来匹配驾驶场景中物体的点分布，增强了点云稀疏性的鲁棒性
• point-wise refinement module：柱划分导致不同类别的点在相同的cell中，导致cell的label在编码时出现信息损失，由此提出point-wise增强模块
  • point-wise模块：在论文中有提及思想，但是没有具体的工程代码
• 本文贡献：
  • 将室外LiDER场景分割从二维映射转为3维结构，考虑了点云固有的两个特性
  • 提出一种新的框架，利用圆柱体分割和非对称卷积网络克服点云固有特性
  • 在两个数据集上达到sota

Related work

室内点云分割

主流方法有两种：

• 基于直接点云数据的，eg：PointNet
• 基于聚类算法提取层次特征的

室内点云分割的方法依赖于点云分布的均匀性和密度不变性，不适用于直接迁移到室外点云分割

室外点云分割

• 现有的主流方法主要是集中在将3D点云转换为2D网格，在此基础上使用2D卷积，eg：SqueezeSeg，Darknet，rangenet++
• 这种3D-to-2D的方法会损失点云的3D几何特征

3D体素划分

这种方法将点云分割成一个个体素，可以保持点云的3D特性，也能适用3D卷积神经网络

Methodology(本文方法)

框架

• step1 ：圆柱体素划分，将点云划分到每一个柱体cell
• step2：应用非对称3D卷积网络，得到cell-label的输出
• step3：使用point-wise module，细化cell-label（代码无体现）

Cylindrical Partition

• 流程：
  • 直角坐标系转柱坐标系，然后进行柱坐标系划分
  • 根据分区的情况重新划分MLP得到的特征，生成圆柱体特征
• 输入：点云数据
• 输出：3D柱体划分（$C\ast H\ast W\ast L$），C是特征维度，H是半径，W是方位角度，L是高度
• 划分方式&#x