什么是 LSTQ？
LSTQ 是一种面向 4D LiDAR 全景分割的逐点评测指标，用几何平均组合语义分类质量与全序列实例关联质量。
快速了解
| 全称 | LiDAR 分割与跟踪质量 |
|---|---|
| 规范文档 | 官方规范 |
工作原理
独立于 Instance 计算语义质量
S_cls 是所有参与评测语义类别的 Intersection over Union 均值。它忽略 Instance Identity，因此 Car Point 即使 Track ID 被切碎，只要类别正确仍可获得语义信用；Stuff 与 Thing 是否进入均值由 Benchmark Class List 与 Ignore Policy 决定。
4D Panoptic LiDAR Segmentation 原始论文有意把 Semantic Classification 与 Association 分离。得分较低时应先检查 S_cls，不能直接把问题归因于 Tracker。
在全序列上衡量 Point-to-track Association
对 Ground Truth Thing Track g 与预测 Track p，令 TPA = |g 与 p 的交集|、FNA = |g| - TPA、FPA = |p| - TPA，所有量都按全序列 Point 计数。Association IoU 为 TPA / (TPA + FNA + FPA)；g 的得分为 sum_p TPA * AssociationIoU(g,p) / |g|，S_assoc 再对所有 Ground Truth Thing Track 等权平均。
把一条真实 Track 拆给多个 Prediction 会降低各 Pair Overlap，合并多条真实 Track 则会给竞争 Pair 增加 FPA。SemanticKITTI还要求 Instance ID 跨类别唯一，因为 Association 独立于语义正确性计算。
联合解释 Component 与评测协议
LSTQ = sqrt(S_cls * S_assoc)让两个分量具有对称的乘法影响，任一为零时总分为零。它不编码 Confidence Ranking、实时延迟、几何风险、校准或业务成本；Track-equal Association 还会让小对象在顶层与大对象等权。
应报告两个分量、逐类别 IoU、Track Length 与 Point Count 切片、Ignored Class、Minimum Points、Sequence Boundary 和 Evaluator Commit。
需要逐帧 Segment Matching 与 Switch-weighted IoU 时比较 sPTQ；需要用 PQ 平衡实例级 Tracking Term 时比较 PAT。
主要特点
- 组合语义分类质量与时序关联质量
- 语义分量使用类别平均 IoU
- 关联分量使用全序列逐点交集
- 对 Ground Truth Thing Track 等权平均
- Association Credit 不依赖整段 Segment Threshold Match
- 依赖 ID Namespace、Class、Ignore 与 Instance-size Rule
常见用途
- 评测 SemanticKITTI 4D Panoptic Segmentation
- 联合评测 LiDAR 语义分割与实例跟踪
- 分离诊断语义错误与关联错误
- 比较长序列 Point-cloud Track 一致性
- 在 Point Level 审计 Fragmentation 与 Merge
示例
Loading code...常见问题
LSTQ 如何计算？
LSTQ 等于语义分类质量与关联质量乘积的平方根。`S_cls` 是类别平均 IoU；`S_assoc` 则对每条 Ground Truth Thing Track 的 Point-weighted Association IoU 贡献取平均。
S_cls 与 S_assoc 分别衡量什么？
`S_cls` 不考虑 Instance，只看 LiDAR Point 的语义类别是否正确；`S_assoc` 不要求语义正确，衡量每条 Ground Truth Thing Track 的 Point 是否被一致分配到预测 Track。
LSTQ 是否使用 Segment IoU Matching Threshold？
它的 Association Component 直接使用完整序列 Track 的 Point Intersection，不需要先按固定 IoU Threshold 接受逐帧 Segment；但数据预处理与 Minimum-instance Rule 仍可能排除 Point 或 Track。
LSTQ 与 sPTQ 有什么区别？
LSTQ 使用逐点全序列 Association，并与语义 mIoU 做几何平均；sPTQ 从逐帧 PQ Matching 出发，在 ID Switch Frame 扣除对应 Segment IoU，再做逐类别平均。
不同数据集的 LSTQ 可以直接比较吗？
不可以。Class Taxonomy、Thing/Stuff 定义、Ignored Point、最小 Instance Size、ID Namespace、Sequence Length、采样方式与 Evaluator Implementation 都会改变实际评测问题。