Perception is an important yet challenging task for self-driving cars. Particularly, the semantic segmentation of LiDAR point cloud can yield rich semantic information about the outdoor environment. However, current methods dealing with LiDAR point clouds are not efficient enough in terms of computational cost or accuracy. In this dissertation, we propose an end-to-end network for efficient semantic segmentation of outdoor point clouds. Our contributions include a novel data augmentation technique, a lightweight 2D network and a newly designed weighted loss function. The data augmentation technique interpolates more object instances randomly, thus providing a balanced dataset for training. Then, our ADLA-Net, comprising the Deep Layer Aggregation (DLA) and the Axial-Attention, is employed on 2D range-view inputs to predict class labels. The Weighted Asymmetric Loss (WASL) adds a class frequency-based penalty to alleviate the persisting class imbalance issue. We evaluate our framework on the NuScenes dataset against mainstream methods. Experiments demonstrate that our method can produce better results even at a low computational cost. Overall, it outperforms existing methods by a margin of \(3.2\%p\) in terms of mIoU.
인식은 자율주행차에서 중요하면서도 어려운 작업이다. 특히, LiDAR 포인트 클라우드의 의미론적 분할은 실외 환경에 대한 풍부한 의미 정보를 생성할 수 있다. 그러나 LiDAR 포인트 클라우드를 다루는 현재 방법은 계산 비용이나 정확도 측면에서 충분히 효율적이지 않다. 본 논문에서는 실외 포인트 클라우드의 효율적인 의미론적 분할을 위한 종단간 네트워크를 제안한다. 여기에 새로운 데이터 증강, 경량 2D 네트워크 및 새로 설계된 가중 손실 함수가 포함된다. 데이터 증가 기술은 더 많은 객체 인스턴스를 무작위로 삽입하여 훈련을 위한 균형 잡힌 데이터 세트를 제공한다. 그런 다음 DLA(Deep Layer Aggregation)와 Axial-Attention으로 구성된 ADLA-Net을 2D range-view 입력에 사용하여 클래스 레이블을 예측한다. WASL(가중 비대칭 손실)은 클래스 빈도 기반 패널티를 추가하여 지속되는 클래스 불균형 문제를 완화한다. 우리는 주류 방법에 대해 NuScenes 데이터 세트에 대한 프레임워크를 평가한다. 실험은 우리의 방법이 낮은 계산 비용으로도 더 나은 결과를 생성할 수 있음을 보여준다. 전반적으로 mIoU 측면에서 기존 방법보다 \(3.2\%p\) 차이가 난다.
