Sep, 2023
点云异常检测的逐点弃权惩罚学习
Learning Point-wise Abstaining Penalty for Point Cloud Anomaly Detection
Shaocong Xu, Pengfei Li, Xinyu Liu, Qianpu Sun, Yang Li...
TL;DR基于 LiDAR 的语义场景理解是现代自动驾驶感知系统中的一个重要模块。然而，LiDAR 点云中的区分开分布点 (OOD) 是具有挑战性的，因为与 RGB 图像相比，点云缺乏语义丰富的特征。我们从选择性分类的角度重新审视了这个问题，该分类在标准的封闭集分类设置中引入了一个选择性函数。我们的解决方案基于一种基本思想，即避免选择任何已知类别，而是以边际损失学习点处的避免惩罚。为了近似无限的 OOD 样本，合成异常点对于这个思想也至关重要，因此我们提出了一个强大的合成流程，可以生成来自各种因素的异常值：不真实的对象类别，采样模式和尺寸。我们证明了在不同类型（合成）异常值的不同点处避免惩罚可以进一步提高性能。我们在 SemanticKITTI 和 nuScenes 上对我们的方法进行了基准测试，并取得了最先进的结果。风险覆盖分析进一步揭示了不同方法的固有特性。代码和模型将公开提供。