LiDAR-MOS基准测试全攻略：如何在SemanticKITTI排行榜提升成绩？

【免费下载链接】LiDAR-MOS(LMNet) Moving Object Segmentation in 3D LiDAR Data: A Learning-based Approach Exploiting Sequential Data (RAL/IROS 2021)项目地址: https://gitcode.com/gh_mirrors/li/LiDAR-MOS

LiDAR-MOS（Moving Object Segmentation）是基于3D激光雷达数据的动态目标分割技术，能够精准区分场景中的移动物体（如行驶中的汽车）和静态物体（如停放的车辆）。本项目（LMNet）通过融合时序信息的深度学习方法，在SemanticKITTI等权威榜单中取得了优异成绩，同时提供了完整的训练、评估和可视化工具链。

核心功能与SemanticKITTI基准测试概述

LiDAR-MOS技术是自动驾驶环境感知的关键模块，其性能直接影响SLAM建图、路径规划和碰撞避免的可靠性。SemanticKITTI作为全球顶级的激光雷达语义分割数据集，专门设立了移动物体分割排行榜，要求参赛者对测试序列（11-21）的每个点云进行动态/静态二分类标注。

SemanticKITTI基准测试页面展示了比赛阶段、提交要求和实时排名，目前最高得分已达0.625

评估指标解析

SemanticKITTI采用**IoU_MOS**作为核心评价指标：

IoU<sub>MOS</sub> = TD / (TD + FD + FS)

其中：

• TD（True Dynamic）：正确识别的动态点数量
• FD（False Dynamic）：静态点被误判为动态的数量
• FS（False Static）：动态点被误判为静态的数量

快速上手：从环境搭建到首次提交

1. 一键部署开发环境

git clone https://gitcode.com/gh_mirrors/li/LiDAR-MOS cd LiDAR-MOS # 安装依赖（以SalsaNext为例） cd mos_SalsaNext pip install -r requirements.txt

2. 数据准备三步法

1. 下载基础数据集
   从KITTI Odometry官网获取点云数据，从SemanticKITTI官网获取语义标签

2. 生成残差图像

   python3 utils/gen_residual_images.py --config config/data_preparing.yaml

   该工具通过时序点云配准计算残差图，捕捉物体运动特征，是提升MOS性能的关键预处理步骤。

3. 配置数据集路径
   修改config/semantic-kitti-mos.yaml文件，确保split字段中的训练/验证/测试序列路径正确映射：

   split: train: [0,1,2,3,4,5,6,7,9,10] valid: [8] test: [11,12,13,14,15,16,17,18,19,20,21]

模型训练与优化策略

选择合适的基线模型

项目提供两种主流架构的实现，可根据硬件条件选择：

性能提升关键技巧

1. 多残差图像融合
   通过config/data_preparing.yaml配置历史帧数量（建议8帧），捕捉更丰富的运动信息：

   residual: num_frames: 8 # 使用前8帧生成残差特征 max_range: 100.0

2. 语义信息辅助
   运行语义-动态融合工具，利用类别先验优化结果：

   python3 utils/combine_semantics.py

   例如将"建筑"等静态类别强制标记为静态，减少误判。

3. 后处理优化
   启用KNN后处理模块（位于mos_SalsaNext/train/tasks/semantic/postproc/KNN.py），通过空间邻域信息平滑分割结果。

算法流程图展示了残差图像生成、特征融合和CNN分割的完整流程，红色箭头指示时序信息传递路径

评估与排行榜提交指南

本地评估工具

使用官方评估脚本验证结果：

# 评估验证集性能 python3 utils/evaluate_mos.py -d path/to/kitti -p path/to/predictions -s valid

输出将包含IoU_MOS、准确率等关键指标，与SemanticKITTI官方评估完全一致。

提交文件准备

1. 生成提交格式

   cd mos_SalsaNext/train/tasks/semantic python3 infer.py -d path/to/kitti -m path/to/model -l path/to/submission -s test

   生成的.label文件需按序列号组织，压缩为submission.zip

2. 官方提交步骤

   1. 注册SemanticKITTI账号（需学术/企业邮箱）
   2. 上传压缩包至Codalab竞赛平台
   3. 等待自动评估完成（约10分钟）查看排名

可视化与结果分析

动态可视化工具

python3 utils/visualize_mos.py -d data -p predictions -s 8

通过交互式界面查看分割效果，支持帧间切换（n键下一张，b键上一张）：

SemanticKITTI数据集上的分割效果对比，彩色点云展示动态目标（如行驶车辆）的精确分割结果

常见问题诊断

• 动态目标漏检：检查残差图像生成质量，增加num_frames参数
• 静态目标误判：调优combine_semantics.py中的类别权重
• 边缘模糊：启用KNN后处理，调整knn_radius参数（建议0.5-1.0m）

实战案例：从基线到Top 10的优化路径

某团队使用以下策略将IoU_MOS从0.52提升至0.61：

1. 基础配置：SalsaNext + 1帧残差 → IoU 0.52
2. 增加时序：8帧残差融合 → IoU 0.57
3. 语义辅助：结合SalsaNext语义分割结果 → IoU 0.59
4. 后处理优化：KNN + 边界掩码 → IoU 0.61

提示：通过utils/scan_cleaner.py工具可将MOS结果用于SLAM建图，显著减少动态物体干扰，如项目展示的地图对比所示：

总结与资源推荐

LiDAR-MOS项目提供了从数据处理到模型部署的完整解决方案，通过本文介绍的优化策略，开发者可快速提升SemanticKITTI排行榜成绩。关键资源包括：

• 预训练模型：模型下载集合
• 技术文档：mos_SalsaNext/README.md、mos_RangeNet/README.md
• 可视化工具：utils/visualize_mos.py支持自定义视角和标注风格

通过融合时序信息与深度学习技术，LiDAR-MOS正在成为自动驾驶环境感知的核心组件，期待你的贡献推动这一领域的发展！

【免费下载链接】LiDAR-MOS(LMNet) Moving Object Segmentation in 3D LiDAR Data: A Learning-based Approach Exploiting Sequential Data (RAL/IROS 2021)项目地址: https://gitcode.com/gh_mirrors/li/LiDAR-MOS