超越稀疏性，TASeg 利用时序信息提升激光雷达分割性能，在激光雷达割分割中勇夺三项第一 ！

文章预览

ADAS  Laboratory 点击上方 蓝字 关注  智驾实验室           加入【 智驾实验室 】交流群， 获取更多内容和资料 针对激光雷达（LiDAR）语义分割训练深度模型是一项挑战，这是由于点云固有的稀疏性。利用时间数据是克服稀疏性问题的自然补救措施，因为它使得输入信号变得更加密集。然而，由于内存限制，先前的多帧融合算法在利用充分的时序信息方面存在不足，并且它们还忽略了富有信息性的时序图像。 为了充分利用隐藏在长期时序点云和图像中的丰富信息，作者提出了时序聚合网络，简称 TASeg 。具体而言，作者提出了时序激光雷达聚合与蒸馏（TLAD）算法，它利用历史先验为不同的类别分配不同的聚合步骤。这可以在大大减少内存和时间开销的同时实现更高的准确度。 此外，TLAD还训练了一个注入了gt先验知识的教师模型来进行模型蒸馏，进 ………………………………