Learning from Mistakes: Self-Regularizing Hierarchical Semantic Representations in Point Cloud Segmentation

要約

自律ロボット技術の最近の進歩により、正確な環境分析の必要性が高まっています。
LiDAR セマンティック セグメンテーションは、センサーによって提供される生のコンテンツに直接作用することで、きめ細かなシーンの理解を達成するために注目を集めています。
最近のソリューションでは、アーキテクチャやデータセットを変更することなく、さまざまな学習手法を使用してモデルのパフォーマンスを向上させる方法が示されました。
この傾向に従って、標準モデルから派生した分類ミス (LEAK) から学習する、粗いものから細かいものへの設定を提示します。
まず、クラスは相互予測誤差に従ってマクロ グループにクラスター化されます。
次に、学習プロセスは、(1) 細かいクラスと粗いクラスの両方のクラス条件付きプロトタイプ特徴表現を調整し、(2) クラスごとの公平性インデックスでインスタンスを重み付けすることによって正則化されます。
私たちの LEAK アプローチは非常に一般的で、あらゆるセグメンテーション アーキテクチャの上にシームレスに適用できます。
実際、実験結果は、さまざまなアーキテクチャ、データセット、およびタスクで最先端のパフォーマンスを可能にすると同時に、よりバランスの取れたクラスごとの結果とより高速な収束を保証することを示しました。

要約(オリジナル)

Recent advances in autonomous robotic technologies have highlighted the growing need for precise environmental analysis. LiDAR semantic segmentation has gained attention to accomplish fine-grained scene understanding by acting directly on raw content provided by sensors. Recent solutions showed how different learning techniques can be used to improve the performance of the model, without any architectural or dataset change. Following this trend, we present a coarse-to-fine setup that LEArns from classification mistaKes (LEAK) derived from a standard model. First, classes are clustered into macro groups according to mutual prediction errors; then, the learning process is regularized by: (1) aligning class-conditional prototypical feature representation for both fine and coarse classes, (2) weighting instances with a per-class fairness index. Our LEAK approach is very general and can be seamlessly applied on top of any segmentation architecture; indeed, experimental results showed that it enables state-of-the-art performances on different architectures, datasets and tasks, while ensuring more balanced class-wise results and faster convergence.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google