BriefGPT - AI 论文速递
·
点云异常检测的逐点弃权惩罚学习
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文介绍了基于LiDAR的语义场景理解在自动驾驶感知系统中的重要性，提出了一种基于避免惩罚的解决方案，通过强大的合成流程来近似无限的OOD样本，并在SemanticKITTI和nuScenes上进行了基准测试，取得了最先进的结果。
🎯
关键要点
- 基于LiDAR的语义场景理解是自动驾驶感知系统的重要模块。
- LiDAR点云中的区分开分布点（OOD）具有挑战性，缺乏语义丰富的特征。
- 从选择性分类的角度重新审视问题，引入选择性函数。
- 提出避免选择任何已知类别的解决方案，以边际损失学习点处的避免惩罚。
- 合成异常点对于近似无限的OOD样本至关重要，提出强大的合成流程。
- 合成流程可以生成来自不真实对象类别、采样模式和尺寸的异常值。
- 在不同类型的合成异常值的不同点处避免惩罚可以提高性能。
- 在SemanticKITTI和nuScenes上进行了基准测试，取得了最先进的结果。
- 风险覆盖分析揭示了不同方法的固有特性。
- 代码和模型将公开提供。
➡️
