LiDAR-based Panoptic Segmentation via Dynamic Shifting Network(论文阅读笔记)
环形扫描骨干网络、动态漂移、一致性驱动的融合
一、重点内容提取
目前的全景分割都是基于相机图像在做，该论文首次创新型的提取使用雷达数据进行全景分割，具有启发性的意义。
二、实验概括
- 强大的骨干网络设计
1.1 三个网络关键部分
柱状卷积：由于激光雷达是通过旋转进行采集环境信息，采用柱状卷积的方式更加适合雷达数据的特征提取。
语义分割分支：使用多层感知网络对每个像素点进行类别推断
实例分割分支：使用中心回归聚类方法找到每一个分割实例的所属像素 - 动态滑移获取每个实例的几何中心（动态滑移是具有可修改边界的中心偏移聚类算法）
2.1 基于随机点的偏移操作
X ← X + ηS
X将会随着偏移向量S进行动态更新
S = f(X) −X. - 一致性驱动的融合
通过对语义分割的结果进行投票，给出实例分割分配类别标签；同时使用实例分割的结果修正语义分割失误的部分。两者通过一致性融合达到了类别标签与像素级别准确度同步提升的效果。