SqueezeSeg：论文简介与代码运行

论文介绍

SqueezeSeg: Convolutional Neural Nets with Recurrent CRF for Real-Time Road-Object Segmentation from 3D LiDAR Point Cloud

论文地址：https://arxiv.org/abs/1710.07368

这篇论文介绍了一种名为SqueezeSeg的系统，它是一个基于卷积神经网络（CNN）和条件随机场（CRF）的端到端管道，用于从3D激光雷达（LiDAR）点云中实时分割道路对象。SqueezeSeg的目标是检测和分类兴趣实例，例如汽车、行人和骑自行车的人。以下是对论文的主要内容进行的总结：

1. 问题定义：SqueezeSeg解决的是道路对象的语义分割问题，即将3D LiDAR点云中的各个点分类到不同的对象类别。

2. 方法：作者提出了一个端到端的管道，该管道首先使用CNN处理转换后的LiDAR点云，直接输出逐点的标签图，然后通过一个作为递归层实现的条件随机场（CRF）进行细化。

3. 数据增强：为了获取额外的训练数据，作者构建了一个基于流行视频游戏《侠盗猎车手V》（GTA-V）的LiDAR模拟器，以合成大量逼真的训练数据。

4. 网络结构：SqueezeSeg的CNN模型受到SqueezeNet的启发，设计时考虑了减少参数大小和计算复杂性，以减少内存需求并实现实时推理速度。CRF模型被重新构想为一个递归神经网络（RNN）模块，并可以与CNN模型一起端到端训练。

5. 实验结果：实验表明，SqueezeSeg在保持高准确性的同时，运行速度极快且稳定（每帧8.7 ± 0.5毫秒），非常适合自动驾驶应用。此外，使用合成数据进行额外训练可以在真实世界数据上提高验证精度。

6. 评估指标：作者使用精度、召回率和交并比（IoU）作为评估模型性能的指标，分别对类别级别和实例级别的分割任务进行了评估。

7. 实验设置：主要数据集是转换后的KITTI数据集，作者还使用了NVIDIA TITAN X GPU和其他车载嵌入式处理器进行实验。

8. 结论：SqueezeSeg是一个准确、快速且稳定的从LiDAR点云中分割道路对象的方法。与传统方法相比，它不依赖手工设计的特征，不使用迭代算法如RANSAC，并且通过减少传播误差和充分利用对象上下文，将流程简化为单阶段。

代码运行

代码地址：GitHub - xuanyuzhou98/SqueezeSegV2: Implementation of SqueezeSegV2, Improved Model Structure and Unsupervised Domain Adaptation for Road-Object Segmentation from a LiDAR Point Cloud

运行系统：Ubuntu 18.04
使用语言：Python 2.7
硬件支持：CUDA10.0

新建conda环境：

conda create -n seg python=2.7
conda activate seg

安装依赖：

pip install -r requirements.txt

运行：

python ./src/demo.py

运行效果：