摘要

在本文中，我们开发了用于4D全景分割的旋转等变神经网络。4D全景分割是自动驾驶领域的一项基准任务，要求基于激光雷达扫描识别道路上的语义类别和物体实例，并为时间序列中的实例分配一致的ID。我们观察到，驾驶场景在地面平面上具有旋转对称性。因此，旋转等变性可以提供更好的泛化能力和更稳健的特征学习。具体而言，我们回顾了物体实例聚类策略，并将基于中心性的方法和基于偏移的方法重新表述为不变标量场和等变向量场的预测。从这一视角出发，其他子任务也得到了统一，并设计了不同的不变层和等变层以促进其预测。通过在SemanticKITTI标准4D全景分割基准上的评估，我们展示了我们的等变模型相比非等变模型在较低的计算成本下实现了更高的准确性。此外，我们的方法达到了新的最先进性能，并在SemanticKITTI 4D全景分割排行榜上取得了第一名的成绩。