首个开源室外点云分割工具箱，提供多篇论文算法的强基线复现模型！（已开源）_pcseg

PCSeg高性能点云分割开源框架强力来袭！支持多个公开数据集上多种SOTA算法高精度复现，训练时间更短、分割精度更高，开箱即用。室外点云全景分割研究必备，目前已开源，欢迎star

一、PCSeg高性能点云分割开源框架

点云语义分割任务旨在将点云中的每个点分配类别甚至实例标签。然而，作为自动驾驶3D感知的关键任务之一，现有开源工具箱大多仅围绕室内场景进行，缺乏对室外场景的支持。于是，上海人工智能实验室智能交通平台组（ADLab）发布PCSeg高性能点云分割开源框架，在Waymo Open Dataset和SemanticKITTI等公开数据集上支持了多种SOTA算法，并提供了强基线复现模型。

代码地址：https://github.com/PJLab-ADG/PCSeg

PCSeg专注于自动驾驶领域的室外点云分割，致力于推动三维场景理解及其相关领域的统一和繁荣。在PCSeg的帮助下，开发团队以追求公平、效率和性能的方式，在通用的大规模点云数据集上对各种方法进行基准(Benchmark)测试。

PCSeg在拥有较高训练速度及推断速度的同时，对几种SOTA算法的实现分割精度均超过了原论文报告的分割精度。目前，PCSeg支持MinkowskiNet、Cylinder3D、SPVCNN、RPVNet的高精度复现；并支持SemanticKITTI、ScribbleKITTI、Waymo Open Dataset在内的数据集，后续会提供对A2D2、nuScenes的支持；同时也会在近期更新Panoptic nuScenes、Panoptic SemanticKITTI、4D Panoptic SemanticKITTI等对全景分割任务的数据与方法支持。下表为在几个SOTA方法在SemanticKITTI数据集上的PCSeg实现性能和原论文报告性能，可以看到，PCSeg实现的SPVCNN和MinkowskiNet相比原论文报告的性能具有显著优势。

PCSeg框架的深度学习逻辑由PyTorch实现，整体采用简洁易懂的模块化编程。在架构上部分参考了OpenPCDet框架[5]，故而对熟悉点云领域的研究和工程人员比较友好。所有模型结构和超参数由Yaml文件控制，并为SemanticKITTI数据集上的几个代表性方法提供了预训练模型参数。

二、已支持的大规模点云数据集

● SemanticKITTI

下载地址：https://opendatalab.com/SemanticKITTI

● ScribbleKITTI

下载地址：https://github.com/ouenal/scribblekitti

● Waymo

下载地址：https://opendatalab.com/Waymo

参考资料

[1]4DSpatio-Temporal ConvNets: Minkowski Convolutional Neural Networks

[2] Cylindrical and Asymmetrical 3D Convolution Networksfor LiDAR Segmentation

[3]Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution

[4]RPVNet: A Deep and Efficient Range-Point-Voxel Fusion Network for LiDAR Point Cloud Segmentation

[5]OpenPCDet Toolbox for LiDAR-based 3D Object Detection

作者丨上海人工智能实验室智能交通平台组（ADLab）

更多自动驾驶数据集，欢迎访问OpenDataLab官网查看与下载：https://opendatalab.org.cn/