来源：期刊VIP网 时间：
作者：项学智;王茜;王路;贲晛烨;乔玉龙;
单位：哈尔滨工程大学信息与通信工程学院;哈尔滨工程大学先进船舶通信与信息技术工信部重点实验室;
摘要：点云场景流在自动驾驶领域发挥着重要的作用，但点云数据具有无序性和密度分布不均匀等特性，以及在真实场景中可能受遮挡影响，导致其估计的准确性难以得到提升。针对这些问题，该文提出了一种基于多尺度掩码学习的场景流估计方法，将输入点云划分为不规则点块并嵌入随机掩码和标记，通过不对称的编码器-解码器架构对点云的空间几何进行建模。在编码阶段，该文建立的模型从未掩码的点云中学习高级潜在特征；在解码阶段，利用学习到的潜在特征及掩码标记来重建原始点云。此外，该文所提方法还采用多尺度掩码策略来确保提取不同尺度特征的过程中可见区域的一致性。在FlyingThings3D和KITTI数据集上的实验结果表明，该文所提方法与基线网络相比在所有评价指标上均取得了显著提升，并且采用自监督的方式，性能优于当前主流的全监督和自监督方法。
关键词：点云;;场景流;;掩码自编码;;特征金字塔;;自监督学习
基金资助：国家自然科学基金(62271160);; 黑龙江省高等教育教学改革研究重点项目(SJGZB2024054);; 哈尔滨工程大学本科生教学改革研究课题(JG2023B0803);哈尔滨工程大学研究生教学改革研究课题(JG2022Y037);哈尔滨工程大学特色学科基础研究稳定支持专项(KYWZ220240812);; 中央高校基本科研业务费专项资金项目(3072024LJ0803)
