Leren om objecten buiten de distributie te identificeren voor 3D LiDAR-anomaliesegmentatie

Learning to Identify Out-of-Distribution Objects for 3D LiDAR Anomaly Segmentation

April 26, 2026

Auteurs: Simone Mosco, Daniel Fusaro, Alberto Pretto

cs.AI

Samenvatting

Het begrijpen van de omgeving is fundamenteel voor autonoom rijden en robotperceptie. Het onderscheiden tussen bekende klassen en voorheen onbekende objecten is cruciaal in real-world omgevingen, zoals gebeurt bij Anomaly Segmentation. Onderzoek in het 3D-domein blijft echter beperkt, waarbij de meeste bestaande methoden post-processingtechnieken uit de 2D-beeldverwerking toepassen. Om dit gebrek te ondervangen, stellen we een nieuwe efficiënte aanpak voor die rechtstreeks in de feature space opereert door de featureverdeling van inlierklassen te modelleren om afwijkende samples te beperken. Bovendien bevat de enige openbaar beschikbare 3D LiDAR-anomaliesegmentatiedataset eenvoudige scenario's met weinig anomalie-instanties en vertoont deze een ernstige domeinkloof door de sensorresolutie. Om deze kloof te overbruggen, introduceren we een reeks gemengde real-synthetic datasets voor 3D LiDAR-anomaliesegmentatie, gebaseerd op gevestigde benchmarks voor semantische segmentatie, met meerdere out-of-distribution objecten en diverse, complexe omgevingen. Uitgebreide experimenten tonen aan dat onze aanpak state-of-the-art en competitieve resultaten behaalt op respectievelijk de bestaande real-world dataset en de nieuw geïntroduceerde gemengde datasets, wat de effectiviteit van onze methode en de bruikbaarheid van de voorgestelde datasets valideert. Code en datasets zijn beschikbaar op https://simom0.github.io/lido-page/.

English

Understanding the surrounding environment is fundamental in autonomous driving and robotic perception. Distinguishing between known classes and previously unseen objects is crucial in real-world environments, as done in Anomaly Segmentation. However, research in the 3D field remains limited, with most existing approaches applying post-processing techniques from 2D vision. To cover this lack, we propose a new efficient approach that directly operates in the feature space, modeling the feature distribution of inlier classes to constrain anomalous samples. Moreover, the only publicly available 3D LiDAR anomaly segmentation dataset contains simple scenarios, with few anomaly instances, and exhibits a severe domain gap due to its sensor resolution. To bridge this gap, we introduce a set of mixed real-synthetic datasets for 3D LiDAR anomaly segmentation, built upon established semantic segmentation benchmarks, with multiple out-of-distribution objects and diverse, complex environments. Extensive experiments demonstrate that our approach achieves state-of-the-art and competitive results on the existing real-world dataset and the newly introduced mixed datasets, respectively, validating the effectiveness of our method and the utility of the proposed datasets. Code and datasets are available at https://simom0.github.io/lido-page/.