SFPNet: Sparse Focal Point Network for Semantic Segmentation on General LiDAR Point Clouds

虽然LiDAR语义分割技术正在迅速发展，但目前的最先进方法通常包含从机械旋转LiDAR起源的基准中推导出的特定设计的归纳偏差。这可能限制模型对其他类型的LiDAR技术的泛化能力，并使超参数调整更加复杂。为了解决这些问题，我们提出了一个通用框架，通过用我们的稀疏焦点调制替换窗口注意力，以适应市场上普遍存在的各种LiDAR类型。我们的SFPNet能够提取多级上下文并使用门机制动态聚合它们。通过实现逐通道的信息查询，编码了既包含局部又包含全局上下文的特征。我们还为机器人应用引入了一种新型的大规模混合实体LiDAR语义分割数据集。SFPNet在机械旋转LiDAR派生的传统基准测试中表现出有竞争力的性能，同时在源自固态LiDAR的基准测试中实现了最先进的结果。此外，它在我们从混合实体LiDAR中获取的新数据集上优于现有方法。代码和数据集可在https://github.com/Cavendish518/SFPNet和https://www.semanticindustry.top上获得。

本文试图解决机械旋转激光雷达基准数据对语义分割模型泛化能力的限制，并提出一种适用于市场上各种类型激光雷达的通用框架。

文章提出了一种基于稀疏聚焦点调制的通用框架SFPNet，通过动态聚合多层上下文信息，并引入门控机制和通道信息查询，实现了同时融合全局和局部上下文的特征编码。

文章提出了一种新的通用框架，可以适用于市场上各种类型的激光雷达，实验结果表明该框架在传统基准数据集上表现出色，并在新提出的混合固态激光雷达数据集上取得了最先进的结果。作者还提供了代码和数据集。

在这个领域中，最近的相关研究包括PointPainting、RangeNet++等。