LOIC: Open-World Instance Classification in LiDAR Point Clouds

doi:10.1109/tase.2026.3729369

LOIC: Open-World Instance Classification in LiDAR Point Clouds

2026-09-01

0

PRE

AI

DOI：10.1109/tase.2026.3729369

原文链接

原文求助

摘要

En 中文

开放世界实例分类在激光雷达点云中旨在发现和分类训练期间未见过的未知类实例，且无需访问其地面真实标签。该任务极具挑战性，因为训练时仅提供已知类标签。现有的激光雷达分类方法通常依赖限制性先验，包括预定义的未知类数量或未见对象的额外标注，这限制了其在持续变化环境中的适用性。在本文中，我们提出LOIC，一种基于实例级对比学习的激光雷达点云开放世界实例分类框架。LOIC首先通过开放集语义分割和椭球聚类获取候选未知实例及其体素特征。引入的分类特征提取头模块（CFEH）随后将点级特征转换为区分性的基于聚类的实例表示。提出的几何感知高维特征分类模块（CGHF）进一步将方向鲁棒几何提示与学习到的表示进行整合。未知实例根据其与动态维护的类别原型之间的距离，被持续分配到已发现类别或初始化为新型类别，无需预先指定未知类数量。我们在nuScenes、SemanticKITTI和内部Campus数据集上建立了评估基准。实验表明，LOIC在PQ、mIoUu和mPreu指标上分别优于来自视觉和特征聚类领域的最新方法，提升了3.0、4.8和7.9个百分点。我们的方法源代码将公开在https://github.com/nubot-nudt/LOIC。实践者说明—自主机器人经常遇到其训练数据中未包含类别的物体。本文提出了一种激光雷达点云开放世界实例分类框架，能够持续发现和分类未知类别的未见实例。所提出的方法可通过使机器人针对陌生障碍物采用对象特定策略，支持更安全的导航和更可靠的环境理解。此外，该框架可通过为新型别持续生成伪标签来减少手动标注工作量。当前实现依赖于上游开放集分割和实例聚类的准确性。未来工作将专注于在密集和高度动态环境中提高鲁棒性。

Keyword:

LiDAR

open world

instance classification

feature extraction

LOIC: Open-World Instance Classification in LiDAR Point Clouds

摘要

期刊

机构

引用论文