基于Lidar点云的道路目标分割

摘要

为提高自动驾驶系统环境感知的性能,本文关注于对车、行人等道路上目标的3D分割.在SqueezeSeg模型的基础上进行算法改进,并将改进后的模型命名为A-SqueezeSeg.考虑到由于类别分布不平衡导致的SqueezeSeg模型在行人、骑行者等小类别上的分割准确性低的问题,对交叉熵损失函数进行掩模加权处理,并利用多尺度扩张卷积对模型进行改进以增加特征图的感受域,聚合上下文信息.A-SqueezeSeg模型以数据集中3DLiDAR点云经过球面投影后的球面图像作为模型的输入,并与基于递归网络的条件随机场(R-CRF)模型结合,共同训练以实现逐点类别预测,即3D目标分割.实验未使用合成数据集进行预训练,直接利用KITTI数据进行实验,结果表明A-SqueezeSeg提高了道路目标分割的准确性.