【开源方案共享】PolarNet

标题：PolarNet: An Improved Grid Representation for Online LiDAR Point Clouds Semantic Segmentation

作者：Yang Zhang*; Zixiang Zhou*; Philip David;

来源：Conference on Computer Vision and Pattern Recognition, 2020

欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。

在自动驾驶应用中LiDAR扫描的在线语义分割仍然具有挑战性：

（1）要求雷达驱动有限的延迟性；

（2）点云在空间上分布不均匀，无序性；

（3）高要求的精确的细粒度语义分割。

针对上述的挑战促使论文实现了基于特定激光雷达的无KNN的分割算法PolarNet.

PolarNet是一个轻量级的神经网络，旨在为单个激光雷达扫描数据实现实时的在线语义分割。与现有的需要KNN构造图或3D图卷积的方法不同，通过避免这两种方法来获得快速的传播速度。如下图所示，我们使用点的极坐标将点量化为网格。然后，我们学习每个网格的固定长度表示，并将其反馈到二维神经网络以产生点分割结果。

代码开源（且最近又更新了）：https://github.com/edwardzhou130/PolarSeg

主要贡献：

·提出了一种更合适的激光雷达点云表示的方法，该方法考虑了点云的无序的空间分布。

·提出的PolarNet网络，通过使用我们的极坐标网格数据表示进行端到端的训练，在公开的数据集上实现了更优秀的分割算法。

·与其他表示方法（如BEV鸟瞰图）相比，使用极坐标网格对基于不同主分割网络的语义分割的性能进行了深入分析。

论文图集

模型概述。对于给定的LiDAR点云，首先使用的BEV极坐标将点量化为网格形式。对于每一个网格单元，使用一个简化的无KNN的点云网络将其中的点转换为固定长度。然后将该表示的点云输入给其在圈层矩阵中的相应位置。并将ring 矩阵输入到由卷积组成的ring CNN中。最后，CNN输出量化预测，将其解码到点云形式。

虽然模型小，但是能力强，我们在SemanticKITTI上达到了54.2%的mIoU。在最新发的点云分割数据集SemanticKITTI、A2D2和Paris-Lille-3D都十分亮眼。

分割算法对比

总结

实验结果表明，与球面投影和笛卡尔坐标法相比，极坐标网格法在不同分割网络中的应用得到了普遍的改进，表明极坐标网格法是一种较好的通用LiDAR点云数据表示方法。