{
  "paper_id": "12577f93481117b29154e098f2ded719",
  "paper_title": "MSCSeg: Multi-scale contextual network for LiDAR point cloud semantic segmentation",
  "paper_authors": [
    "Yan Zhou",
    "Yichao Fan",
    "Haibin Zhou",
    "Richard Irampaye"
  ],
  "publication_date": "2025-09-10",
  "publication_venue": "Springer-Verlag London Ltd., part of Springer Nature",
  "abstract": "The LiDAR point cloud semantic segmentation task aims to achieve 3D environmental perception of the surrounding scene. Range image-based methods have shown promising prospects for real-time processing in the field of autonomous driving. However, the projection process of generating range images has the problem of stretching the spatial distance relationship between the original points. Furthermore, most existing works lack the ability to effectively capture the target's boundary features and cannot compensate for the loss of high-resolution encoder features during downsampling. To address these issues, we propose MSCSeg, a range image-based multi-scale contextual network for point cloud semantic segmentation. Firstly, a branched asymmetric convolution residual block (BAResBlock) is employed to specifically process the stretched range image while aggregating multi-scale contextual information from three branches at low computational cost. Subsequently, we introduce a local context multi-scale strip convolution block (CSCB), which helps the network capture boundary features of objects. Finally, we employ a feature cascade attention block (FCAB) to aggregate information from the encoder and decoder, alleviating the problem of insufficient detail in low-resolution features. Experiments conducted on the outdoor street scene datasets SemanticPOSS and SemanticKITTI demonstrate that our MSCSeg achieves competitive segmentation performance while maintaining real-time inference speed.",
  "keywords": [
    "LiDAR point cloud",
    "3D semantic segmentation",
    "Range image-based",
    "Autonomous driving"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:41:58.737302Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\nLiDAR点云语义分割是自动驾驶感知系统的核心任务，基于距离图像的方法在实时处理方面前景广阔，但球面投影过程会非线性拉伸原始点之间的空间距离关系，且现有方法（如SqueezeSeg系列、RangeNet++、SalsaNext、FIDNet、CENet等）难以有效捕获目标边界特征、无法补偿下采样过程中高分辨率编码器特征的损失。针对这些问题，本文提出MSCSeg，一个基于距离图像的多尺度上下文网络：编码器采用分支非对称卷积残差块（BAResBlock），以三支不同尺度（3×5、5×7、7×9）的非对称深度可分离卷积替换传统方形卷积，在低计算成本下聚合多尺度上下文信息并缓解投影拉伸问题；解码器引入局部上下文多尺度条带卷积块（CSCB），其核心机制可表示为 CSCB(x)=StrConv(BN(WinSA(BN(x))))，通过局部窗口自注意力（WinSA）捕获窗口内细粒度特征，再经多尺度条带卷积（StrConv）对坐标、距离和强度的剧烈变化保持敏感以捕获目标边界信息；特征级联注意力块（FCAB）通过通道注意力（SCAB）与空间注意力（ASAB）级联融合编码器与解码器特征，缓解低分辨率特征细节不足的问题。实验在户外街道场景数据集SemanticPOSS（2988帧扫描、14类）和SemanticKITTI（23201帧训练、20351帧测试、19个评估类别）上进行，二者覆盖自动驾驶典型场景以验证方法的泛化性与实时性；实现采用PyTorch 2.1.0、两块24GB RTX 3090 GPU训练、AdamW优化器（初始学习率2e-3）、批大小4，并使用随机旋转、随机点丢弃和点翻转进行数据增强。结果表明，MSCSeg在SemanticPOSS测试集上取得54.4%的mIoU（rider和cone/stone类别显著领先），在SemanticKITTI测试集上取得62.6%的mIoU，较基线FIDNet提升3.1%，并在单块RTX 2080Ti上达到11.8 FPS的推理速度，满足10 FPS数据采集的实时要求；消融实验显示BAResBlock、CSCB、FCAB分别带来0.5%、2.9%、0.6%的mIoU增益，验证了各模块的有效性。未来工作将借鉴TS-BEV和TFNet探索时空特征融合机制以增强遮挡推理，同时通过轻量化注意力设计维持计算效率；实际应用中该方法作为单帧分割方案在严重遮挡场景下存在局限，需在自动驾驶车载计算约束下平衡精度与速度。\n\n### 关键要点\n\n- MSCSeg针对球面投影生成距离图像时原始点空间距离关系被非线性拉伸的问题，设计了分支非对称卷积残差块（BAResBlock），用三支不同尺度（3×5、5×7、7×9）的深度可分离卷积替换标准3×3卷积，在降低参数量的同时获得方位角方向更大的感受野。\n- CSCB由局部窗口自注意力（WinSA）和多尺度条带卷积串联组成，WinSA在局部窗口内计算自注意力以捕获细粒度上下文，StrConv通过单方向扩展的条带卷积核捕获边界信息，共同缓解分割中的边界模糊问题。\n- FCAB通过级联的通道注意力（SCAB，通道压缩比为8）和自适应空间注意力（ASAB，3×3卷积核）融合高分辨率编码器特征与低分辨率解码器特征，补偿下采样造成的细节损失。\n- 网络整体采用编码器-解码器架构，输入为球面投影生成的5通道距离图像（坐标、距离、强度信息），经三层3×3卷积生成128维张量后进入四个串联BAResBlock，特征图降至H/8×W/8后由CSCB处理，最终经SegHead输出语义标签并用KNN后处理。\n- 实验在SemanticPOSS（2988帧、14类、序列02为测试集）和SemanticKITTI（序列00-07、09-10训练，08验证，11-21测试，19个评估类别）两个户外街道场景数据集上进行。\n- 实现采用PyTorch 2.1.0，两块24GB RTX 3090 GPU训练，单块RTX 2080Ti测量推理速度；AdamW优化器初始学习率2e-3，SemanticKITTI训练50轮、SemanticPOSS训练60轮，批大小均为4，并使用随机旋转、随机点丢弃和点翻转进行数据增强。\n- 在SemanticPOSS测试集上MSCSeg取得54.4%的mIoU，超过LENet（53.4%）、TFNet（51.9%）、CENet（50.3%）等方法，其中rider（29.2%）和cone/stone（47.4%）类别大幅领先其他模型。\n- 在SemanticKITTI测试服务器上MSCSeg取得62.6%的mIoU，较基线FIDNet提升3.1%，优于大多数基于点和体素的最先进方法，同时以11.8 FPS的推理速度满足数据采集10 FPS的实时要求。\n- 消融实验表明，在FIDNet基线（57.9% mIoU）上依次加入BAResBlock、CSCB、FCAB后mIoU分别提升至58.4%、61.3%、61.9%，验证了三个模块的各自贡献。\n- 卷积组合消融显示，3×5、5×7、7×9的非对称深度卷积组合（7.55M参数、61.9% mIoU）优于方形卷积组合（5×5、7×7、9×9为7.57M参数、61.8% mIoU）和标准3×3卷积（8.08M参数、61.2% mIoU），证明垂直与水平核尺寸的非对称设计更适合距离图像特征提取。\n- 作为单帧分割方法，MSCSeg在严重遮挡场景下存在局限；未来工作计划借鉴TS-BEV和TFNet引入时空特征融合机制增强遮挡推理，同时通过轻量化注意力设计维持计算效率。"
}