自律運転データのための画像からライダーへの自己管理蒸留【JST・京大機械翻訳】

Sautier Corentin; Puy Gilles; Gidaris Spyros; Boulch Alexandre; Bursuc Andrei; Marlet Renaud

プレプリント

J-GLOBAL ID：202202214333460224 整理番号：22P0322479

自律運転データのための画像からライダーへの自己管理蒸留【JST・京大機械翻訳】

Image-to-Lidar Self-Supervised Distillation for Autonomous Driving Data

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年03月30日プレプリントサーバーでの情報更新日： 2022年03月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , , , , , , , , ,

パターン認識 , 図形・画像処理一般

, , ,

前のページに戻る