Multi-Space Alignments Towards Universal LiDAR Segmentation

本文提出了一种名为M3Net的框架，用于实现多任务、多数据集、多模态LiDAR分割，只使用单一参数集合即可实现通用性。为了更好地利用数据量和多样性，我们首先将不同类型传感器在多个场景下获取的大规模驾驶数据集进行组合，然后在训练过程中在数据、特征和标签空间进行对齐。因此，M3Net能够驯服异构数据以训练最先进的LiDAR分割模型，具有强大的鲁棒性和通用性，是安全的自动驾驶感知的理想选择。对12个LiDAR分割数据集进行的大量实验验证了我们的有效性。值得注意的是，使用共享的参数集合，M3Net分别在SemanticKITTI、nuScenes和Waymo Open的官方基准测试中实现了75.1%、83.1%和72.4%的mIoU得分。

解决问题：该论文旨在提出一种通用的LiDAR分割模型，能够在多任务、多数据集、多模态的情况下实现强大的鲁棒性和泛化性，以实现安全的自动驾驶感知。

关键思路：该论文提出了M3Net框架，通过将不同类型传感器从各种场景中获得的大规模驾驶数据集组合起来，并在训练过程中在数据、特征和标签空间中进行对齐，从而能够很好地利用数据的数量和多样性，训练出最先进的LiDAR分割模型。

其他亮点：论文在12个LiDAR分割数据集上进行了广泛的实验，证明了M3Net的有效性。值得注意的是，使用共享的参数集，M3Net分别在SemanticKITTI、nuScenes和Waymo Open的官方基准测试中实现了75.1％、83.1％和72.4％的mIoU得分。

相关研究：最近在这个领域中，还有一些相关的研究，例如：1）'PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud'；2）'Range adaptation for LiDAR-based semantic segmentation'；3）'SqueezeSegV3: Spatially-Adaptive Convolution for Efficient Point-Cloud Segmentation'。