[AI算法-激光感知] 激光点云分割系列-RangeView系列

RangeView系列

命名规则：[arxiv_conference_university_author_title] (link)

整体总结思考

Paper List

• 201710_UC伯克利分校_BichenWu_SqueezeSeg: Convolutional Neural Nets with Recurrent CRF for Real-Time Road-Object Segmentation from 3D LiDAR Point Cloud : 将3D点云投射到前视图上，然后再利用深度学习分割方法获取点的类别；网络结构基本是类UNet的方式，并且根据数据特性只在宽度上进行卷积；这是点云分割前视图方式的开创性工作。
• 201809_UC伯克利分校_BichenWu_SqueezeSegV2: Improved Model Structure and Unsupervised Domain Adaptation for Road-Object Segmentation from a LiDAR Point Cloud :
• 202004_UC伯克利分校_Chenfeng Xu_SqueezeSegV3: Spatially-Adaptive Convolution for Efficient Point-Cloud Segmentation: 尽管规则的RGB和激光雷达图像之间存在相似性，但我们发现激光雷达图像的特征分布在不同的图像位置会发生显著的变化。使用标准卷积来处理这样的激光雷达图像是有问题的，因为卷积滤波器拾取仅在图像的特定区域中活跃的局部特征。因此，网络容量未得到充分利用，分割性能下降。利用提出的空间自适应卷积进行, 因为标准卷积使用相同的权重来处理所有空间位置的输入要素，而不考虑输入。自适应卷积可以根据输入和图像中的位置来改变权重。
• 201809_香港科技大学_YuanWang_PointSeg: Real-Time Semantic Segmentation Based on 3D LiDAR Point Cloud: 在SqueezeSeg的基础上，利用PSPNet思想进行网络结构的创新，使得即快有准。
• 201906_波尔多大学_Pierre Biasutti_RIU-Net: Embarrassingly simple semantic Segmentation of 3D lidar point cloud: 采用Unet这种2D任务中通用的模型，预测前视图投影的range-image点云数据。
• 201907_开罗大学_Khaled El Madawi_RGB and LiDAR fusion based 3D Semantic Segmentation for Autonomous Driving:就是将图像与雷达融合，然后在SqueezeSeg的基础上在数据通道上添加三个颜色通道，并且结构上采用分离特征融合的方式(【XYZDI】+ [DIRGB]). 注意是将图像的大小向lidar投影后的(64,512,5)大小上看齐； 因为如果要lidar向图像看齐，雷达点太过稀疏（[13]论文采用这种方式）
• 201908_法国波尔多大学_Pierre Biasutti_LU-Net: An Efficient Network for 3D LiDAR Point Cloud Semantic Segmentation Based on End-to-End-Learned 3D Features and U-Net:本文用UNet对前视图投影进行分割预测，但是本文主要的改进是添加了一个分支，这个分支是用过计算前视图的每个像素周围8个点与该像素点的关系，并且用MLP进行编码，然后在与instensity, range通道相加，再用MLP进行编码，得到N个通道，然后进行Unet卷积操作。
• rangeNet++
• lightningNet
• MINet: 嵌入式平台上的实时Lidar点云数据分割算法
• Lite-HDSeg: LiDAR Semantic Segmentation Using Lite Harmonic Dense Convolutions
• 地平线最近出的针对自己平台的point检测或者分割