标签：Segmentation via based 语义 分割 实例 偏移 一致性 动态

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

1. 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
2. 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.
   
   
3. 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。

标签：Segmentation,via,based,语义,分割,实例,偏移,一致性,动态
来源： https://blog.csdn.net/jiluonian/article/details/119332911

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。