Investigating the performance of novel class discovery (NCD) approach for semantic segmentation on realworld SLAM LiDAR point cloud data
本研究评估了新类发现（NCD）在真实世界 SLAM LiDAR 点云语义分割中的应用，展示了其识别已知类别并对未知点进行分组的能力，同时强调了当前性能稳定性受限于数据质量、参数设置以及点云固有的特性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代测绘领域，一种被称为 LiDAR（激光雷达）的技术已成为观察周围环境三维形状的强大工具。通过发射快速的光脉冲并测量其反射回来的时间，这些传感器可以创建由数百万个独立点组成的庞大点云，每个点都代表了建筑物、树木或地面上的一个特定位置。虽然这些数据极其详细，但要实现自动化的理解是一项艰巨的任务。计算机通常只能识别它们曾经学习过的物体，例如道路、房屋或树木。如果计算机遇到新事物，比如一种独特的围栏或一堆建筑垃圾，它往往会强行将该物体归入其已知的类别中，即使这种匹配并不契合。这种局限性意味着，在复杂的现实环境中，自动化地图可能会遗漏重要的细节，或者将其完全误认。为了解决这个问题，研究人员正在探索一种称为“新类发现”（novel class discovery）的方法，旨在教计算机不仅要识别已知事物，还要注意到新事物的出现，并将这些新事物自行进行分组。
印度尼西亚加查马达大学的一个研究小组致力于使用从手持设备采集的数据来测试这一想法，该设备在户外环境中移动。与静态扫描仪不同，这种被称为 SLAM LiDAR 系统的设备允许人员在校园内行走，同时传感器在绘制区域地图的同时追踪自身的定位。这创造了一个连续且流动的世界记录，但也引入了诸如点密度变化以及在受控实验室环境中不会出现的轻微定位误差等挑战。研究人员专注于该大学校园的一个特定区域，该区域覆盖约十八公顷，包含建筑、植被和铺装路面。他们在该区域内走了十五条不同的路径，收集了大量的原始点云数据，这些数据代表了现实世界户外空间的复杂性。
他们工作的第一个步骤是清洗这些原始数据，并教计算机模型识别他们关心的三个主要事物：地面、植被和建筑物。他们手动标注了一部分数据作为引导，向计算机展示这三个类别分别是什么样子的。一旦模型训练完成，他们就测试了模型在整个数据集上识别这些已知对象的能力。结果对于地面而言是令人鼓舞的，模型以极高的准确度识别了地面。植被也被很好地识别了，尽管树木与建筑物交界处有时会产生混淆。建筑物被证明是最难处理的，这可能是因为它们的形状差异巨大，且由于行走时的角度问题，手持式扫描仪有时会遗漏墙壁或屋顶的部分。尽管存在这些不完美之处，该模型仍成功学习了如何在复杂地形中区分这三个主要类别。
然而，真正的考验在于接下来的环节。研究人员要求模型观察那些它无法确定的点，并将它们视为“未知”。系统并非设计为将这些不确定的点强行归入地面、植被或建筑物的类别，而是旨在将它们聚类成新的、独立的簇。这就是新类发现方法的核心：让计算机为它不理解的事物寻找自己的分组方式。模型将总量的极小比例（约百分之九的数据）识别为未知点。随后，它将这些未知点分成了三个新的组。当研究人员查看这些新组实际包含的内容时，他们发现其中既有成功也有局限。其中一个新组确实成功分离出了一些独特的物体，例如电线杆和电缆，这些确实与主要类别不同。
然而，研究表明，这种方法在处理现实世界的户外数据时尚未达到完美。大量被归入这些新“未知”组的点实际上属于已知类别。例如，模型不确定的建筑物碎片或树木部分被错误地归入了新发现的物体中。发生这种情况是因为初始模型对自己预测的信心不足，导致它将已知对象的某些部分误标为新发现。研究人员发现，这些新组的质量在很大程度上取决于模型对原始三个类别的理解程度。如果模型在处理特定建筑物或一片茂密灌木丛时表现挣扎，这些错误就会在系统中产生连锁反应，产生并非真正新物体、而是混乱的旧物体碎片的杂乱新组。
研究还强调了数据的物理特性如何影响结果。由于传感器是在移动的，点密度会根据操作者的行走速度或与物体的距离而变化。在点云稀疏或存在噪声的区域，模型更难区分已知物体与新物体。此外，研究人员必须决定寻找新组的固定数量，这种僵化的选择有时会迫使无关的物体进入同一个桶中，或者将单一类型的物体拆分为多个组。由于缺乏关于这些新物体应该是怎样的完美参考指南，研究人员依靠视觉检查来判断结果，这证实了虽然系统可以发现新模式，但这些模式往往是不稳定的，并且混杂着来自已知类别的错误。
最终，这项研究表明，虽然新类发现的概念在现实世界测绘中具有巨大的潜力，但在应用于由移动传感器采集的复杂环境数据时面临着重大障碍。系统可以识别出某种差异，但它难以将这种差异从数据本身的噪声和不确定性中干净地分离出来。寻找新类的成功与最初识别已知物体的准确性紧密相连。如果计算机对一栋建筑物的判断不确定，它就无法确定附近的电线杆是否是某种新事物。作者得出结论，要使这项技术在现实世界中变得可靠，底层模型需要更加稳健，识别未知物体的算法需要更加灵活，且对这些新组的评估需要更加系统化。未来的发展方向在于改进这些系统从现实世界不完美且杂乱的数据中学习的方式，确保当它们发现新事物时，它们看到的确实是新事物，而不仅仅是一个错误。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。