Lidar Upsampling with Sliced Wasserstein Distance

要約

Lidar は、自動運転における認識システムの重要なコンポーネントになりました。
しかし、トレーニング データの取得と注釈の課題により、センサー ドメインの適応に対するセンサーの役割が強調されました。
この作業では、ライダーのアップサンプリングの問題に対処します。
LIDAR ポイント クラウドの学習は、不規則でまばらな構造のため、かなり困難な作業です。
ここでは、きめの細かい LIDAR スキャン パターンを再構築できる LIDAR ポイント クラウド アップサンプリングの方法を提案します。
重要なアイデアは、特徴抽出と特徴拡張の両方にエッジ認識の密な畳み込みを利用することです。
さらに、より正確なスライス ワッサースタイン距離を適用すると、細かい LIDAR スイープ構造の学習が容易になります。
これにより、粗いおよび細かい再構成を必要とせずに、1 段階のアップサンプリング パラダイムを採用する方法が可能になります。
私たちの方法を評価し、それがより良いアップサンプリングを提供することを実証するためにいくつかの実験を行います。

要約(オリジナル)

Lidar became an important component of the perception systems in autonomous driving. But challenges of training data acquisition and annotation made emphasized the role of the sensor to sensor domain adaptation. In this work, we address the problem of lidar upsampling. Learning on lidar point clouds is rather a challenging task due to their irregular and sparse structure. Here we propose a method for lidar point cloud upsampling which can reconstruct fine-grained lidar scan patterns. The key idea is to utilize edge-aware dense convolutions for both feature extraction and feature expansion. Additionally applying a more accurate Sliced Wasserstein Distance facilitates learning of the fine lidar sweep structures. This in turn enables our method to employ a one-stage upsampling paradigm without the need for coarse and fine reconstruction. We conduct several experiments to evaluate our method and demonstrate that it provides better upsampling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google