抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
スパースライダーポイントクラウドにおけるオブジェクトのセグメンテーションまたは検出は,自律運転における2つの重要なタスクであり,車両が3D環境において安全に動作することを可能にする。3D意味セグメンテーションまたは物体検出における最良の実行方法は,大量の注釈付きデータに依存する。しかし,これらのタスクのための3D Lidarデータの注釈は,退屈で高価である。この文脈において,自律運転データに合わせた3D知覚モデルに対する自己教師付き事前訓練法を提案した。特に,3Dモデルに自己教師付き事前訓練画像表現を蒸留するための自律駆動装置における同期および較正画像およびライダセンサのアベイラビリティを利用した。したがって,著者らの方法は,どんなポイントクラウドも画像アノテーションも必要としない。提案手法の鍵成分は,視覚的に類似の領域における3D点特徴および2D画素特徴のプールに用いるスーパーピクセルの使用である。次に,これらのプールされた点特徴を,対応するプールされた画像ピクセルの特徴とマッチングする自己監督タスク上で3Dネットワークを訓練する。スーパーピクセルにより得られたコントラスト領域の利点は,以下の通りである。(1)ピクセルと視覚的にコヒーレントな領域のポイントをグループ化すると,3Dセマンティックセグメンテーションと3Dオブジェクト検出によく適応する特徴を生成するより意味のあるコントラストタスクをもたらす。(2)すべての異なる領域は,これらの地域でサンプリングされた3D点の数に関係なく,対照的な損失において同じ重みを持つ。(3)異なるセンサ間のオクルージョンによる点と画素の不正確なマッチングによって生成される雑音を緩和する。自律運転データセットに関する広範な実験は,セマンティックセグメンテーションとオブジェクト検出タスクにうまく転送する3D表現を生成する,画像対Lidar蒸留戦略の能力を実証した。【JST・京大機械翻訳】