激光雷达对于自动驾驶汽车的重要性不必多说，除了特斯拉外，造车的新老势力都对激光雷达青睐有加。与视觉相机相比，激光雷达可形成准确且具有三维地理信息的点云数据，但如何实现对点云数据的精准分割是实现准确环境感知的关键。

目前，用于大规模室外场景下激光点云分割的算法通常是将点云投影到 2D 空间，然后通过 2D 卷积处理它们。但这种方法不可避免的丢失并改变了3D点云间的拓扑结构和几何关系，并且由于室外场景的点云存在稀疏性和变化密度的特点，这也使得现有的点云分割算法在室外场景中获得的性能相当有限。那如何设计适合于大规模室外场景的点云分割算法呢？

在今年的CVPR中，针对3D 到 2D 投影期间丢失并改变了准确的 3D 几何信息，以及室外点云的稀疏性和变化密度等问题，来自香港中文大学的祝新革等人，提出了一种新的室外点云分割框架。该框架由两个关键部分组成： 3D 圆柱分区和非对称 3D 卷积网络。这里的圆柱分区是利用柱面坐标，根据距离动态分割点云，从而产生更均衡的点分布；而非对称 3D 卷积网络加强了水平和垂直卷积，以匹配室外场景中物体的点分布并增强对稀疏性的鲁棒性。该研究成果被收录为CVPR 2021 Oral。

7月7日晚7点，我们邀请到该论文一作的祝新革博士参与到「CVPR 2021特别企划」第二季第4讲，并带来主题为《大规模室外场景下的点云分割》的直播讲解。

在本次讲座中，祝博将会从不同方法论的角度来阐述点云分割的问题，以及大规模室外场景下点云数据的特点，之后详细讲解基于圆柱体坐标系和非对称卷积的室外点云语义分割算法，及其在自动驾驶环境感知中的应用。

祝新革是香港中文大学在读博士，导师是林达华老师。他的主要研究方向是计算机视觉，包括三维视觉，环境感知等。祝博在CVPR、ICCV、ECCV等会议上发表20余篇文章，获得多个公开挑战赛的金牌，包括nuScenes、SemanticKITTI、Lyft等，担任CVPR、ICCV、ICLR、TPAMI等审稿人。