SegNet4D: Effective and Efficient 4D LiDAR Semantic Segmentation in Autonomous Driving Environments

4D LiDAR语义分割，也被称为多扫描语义分割，在提升自动驾驶车辆的环境理解能力方面起着至关重要的作用。它涉及识别LiDAR扫描中每个点的语义类别，并区分它是否为动态点，这是下游任务（如路径规划和自主导航）中的关键因素。现有的4D语义分割方法通常依赖于计算密集的4D卷积进行多扫描输入，导致实时性能较差。在本文中，我们介绍了SegNet4D，一种新颖的实时多扫描语义分割方法，利用基于投影的方法进行快速运动特征编码，展示出色的性能。SegNet4D将4D语义分割视为两个不同的任务：单扫描语义分割和移动物体分割，每个任务都由专门的头部进行处理。然后，在提出的运动-语义融合模块中将这些结果融合，实现全面的多扫描语义分割。此外，我们提出从当前扫描中提取实例信息并将其纳入网络进行实例感知分割。我们的方法在多个数据集上展现出最先进的性能，并成为实时多扫描语义分割方法的佼佼者。SegNet4D的实现将在\url{https://github.com/nubot-nudt/SegNet4D}上提供。

解决问题：本文试图提出一种实时的多扫描语义分割方法，以提高自动驾驶车辆的环境理解能力。该方法需要在LiDAR扫描中确定每个点的语义类别，并区分其是否为动态物体，以便进行路径规划和自主导航等下游任务。

关键思路：本文提出了SegNet4D，一种新颖的实时多扫描语义分割方法，利用基于投影的方法进行快速运动特征编码，表现出卓越的性能。SegNet4D将4D语义分割视为两个不同的任务：单次扫描语义分割和运动物体分割，每个任务都由专用头来处理。然后将这些结果融合在提出的运动-语义融合模块中，以实现全面的多扫描语义分割。此外，本文提出从当前扫描中提取实例信息并将其纳入网络中，以进行实例感知分割。

其他亮点：本文的方法在多个数据集上表现出最先进的性能，并成为一种实时的多扫描语义分割方法。作者将SegNet4D的实现代码放在了GitHub上。

相关研究：最近在这个领域中，还有一些相关的研究，如PointNet、VoxelNet、PointRCNN等。