文献

J-GLOBAL ID：202402265029924268   整理番号：24A1401655

欠損確率の再現によるLiDAR Sim2Realの検討

著者 (5件)： 宮脇智也 (九大) ,  中嶋一斗 (九大) ,  LIU Xiaowen (九大) ,  岩下友美 (ジェット推進研) ,  倉爪亮 (九大)
資料名： 日本ロボット学会学術講演会予稿集(CD-ROM)  (日本ロボット学会学術講演会(CD-ROM))
巻： 41st  ページ： ROMBUNNO.3D4-06  発行年： 2023年 
JST資料番号： L4867A  資料種別： 会議録 (C)
記事区分： 短報  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： LiDARセンサの点群に基づく物体検出やセグメンテーションなどの3Dシーン理解タスクでは,大量の学習データ作成に要するアノテーションコストが課題となっている.この問題に対しては,シミュレータによって自動的に合成したラベル付きデータを学習し,実環境に適応させるSim2Realが注目されている.本稿では,シミュレータの合成データに対して欠損ノイズを再現することで実環境に適応させるSim2Real手法を紹介する.距離画像表現に基づく代表的なセグメンテーションタスクにおいて提案手法の有効性を示す.(著者抄録)

シソーラス用語： *LIDAR ,  *損失 ,  雑音 ,  セグメンテーション ,  機械学習 ,  距離画像 ,  人工知能 ,  アノテーション ,  *シミュレーション ,  *強化学習 ,  セマンティックセグメンテーション ,  ドメイン適応 ,  深層学習 ,  敵対的生成ネットワーク
準シソーラス用語： *Sim2Real

分類 (2件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

引用文献 (13件)：

• B. Wu, A. Wan, X. Yue, and K. Keutzer, “SqueezeSeg: Convolutional neural nets with recurrent CRF for real-time road-object segmentation from 3D LiDAR point cloud,” in Proceedings of the IEEE International Conference on Robotics and Automation(ICRA), pp. 1887-1893, 2018.
• B. Wu, X. Zhou, S. Zhao, X. Yue, and K. Keutzer, “SqueezeSegV2: Improved model structure and unsupervised domain adaptation for road-object segmentation from a LiDAR point cloud,” in Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), pp. 4376-4382, 2019.
• J. Behley, M. Garbade, A. Milioto, J. Quenzel, S. Behnke, J. Gall, and C. Stachniss, “Towards 3D LiDAR-based semantic scene understanding of 3D point cloud sequences: The SemanticKITTI dataset,” The International Journal on Robotics Research (IJRR), vol. 40, no. 8-9, pp. 959-967, 2021.
• H. Caesar, V. Bankiti, A. H. Lang, S. Vora, V. E. Liong, Q. Xu, A. Krishnan, Y. Pan, G. Baldan, and O. Beijbom, “nuScenes: A multimodal dataset for autonomous driving,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 11621-11631, 2020.
• S. Zhao, Y. Wang, B. Li, B. Wu, Y. Gao, P. Xu, T. Darrell, and K. Keutzer, “ePointDA: An end-to-end simulation-to-real domain adaptation framework for LiDAR point cloud segmentation,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. 35, pp. 3500-3509, 2021.

タイトルに関連する用語 (3件)： 欠損 ,  確率 ,  LIDAR