SqueezeSegV2 论文解读
Improved Model Structure and Unsupervised Domain Adaptation for Road-Object Segmentation from a LiDAR Point Cloud
Contribution:1 提升雷达的抗噪能力 2 提出了使用合成数据训练的domain - shift pipeline
抗噪能力
显示环境下收集到的点云数据会存在缺失点的情况。缺失的点会引入dropout noise,这种噪声在网络的前几层(感受野较小)的时候影响较大,会造成一个kerner输出的failed,作者使用dropout来模拟了这个噪声
为了削弱这个噪声的影响,作者提出CAM模块,Structure of Context Aggregation Module.
该模块置于Conv1后面,所以输入不会有0元素,可能是通过检查dropout对网络影响的实验,试出来的网络结构。
point categories imbalance–Focal Loss
- Problem:由于雷达扫描中,背景点数远多于前景物体点,导致前景点在训练过程中对网络的影响减小。
- solution:
F L ( p t ) = − ( 1 − p t ) γ log ( p t ) F L\left(p_{t}\right)=-\left(1-p_{t}\right)^{\gamma} \log \left(p_{t}\right) FL(pt)=−