ElC-OIS: Ellipsoidal Clustering for Open-World Instance Segmentation on LiDAR Data

要約

オープン ワールド インスタンス セグメンテーション (OIS) は、現在の観測に現れるすべてのオブジェクト インスタンスを正確にセグメント化することを目的とする困難なタスクです。これらのインスタンスがトレーニング セットでラベル付けされているかどうかは関係ありません。
これは、堅牢な自律ナビゲーションなどの安全性が重要なアプリケーションにとって重要です。
このホワイト ペーパーでは、既知のインスタンスと未知のインスタンス (つまり、トレーニング中に表示されるインスタンス カテゴリと表示されないインスタンス カテゴリ) の両方を正確にセグメント化できる LiDAR ポイント クラウド用の柔軟で効果的な OIS フレームワークを提示します。
最初に既知のクラスに属するポイントを識別し、近接したパノプティック セグメンテーション ネットワークを活用して背景を削除します。
次に、LiDAR スキャンの特性により適合し、未知のインスタンスの正確なセグメンテーションを可能にする、新しい楕円体クラスタリング方法を提案します。
さらに、既知のインスタンスで提示される一般的な過剰セグメンテーションの問題を処理するために、拡散検索方法が提案されています。
これらの手法を組み合わせることで、既知のインスタンスと未知のインスタンスの両方に対して正確なセグメンテーションを実現できます。
SemanticKITTI オープンワールド LiDAR インスタンス セグメンテーション データセットでメソッドを評価しました。
実験結果は、特に関連付けの質が 10.0% 改善され、現在の最先端の方法よりも優れていることを示唆しています。
メソッドのソース コードは、https://github.com/nubot-nudt/ElC-OIS で公開されます。

要約(オリジナル)

Open-world Instance Segmentation (OIS) is a challenging task that aims to accurately segment every object instance appearing in the current observation, regardless of whether these instances have been labeled in the training set. This is important for safety-critical applications such as robust autonomous navigation. In this paper, we present a flexible and effective OIS framework for LiDAR point cloud that can accurately segment both known and unknown instances (i.e., seen and unseen instance categories during training). It first identifies points belonging to known classes and removes the background by leveraging close-set panoptic segmentation networks. Then, we propose a novel ellipsoidal clustering method that is more adapted to the characteristic of LiDAR scans and allows precise segmentation of unknown instances. Furthermore, a diffuse searching method is proposed to handle the common over-segmentation problem presented in the known instances. With the combination of these techniques, we are able to achieve accurate segmentation for both known and unknown instances. We evaluated our method on the SemanticKITTI open-world LiDAR instance segmentation dataset. The experimental results suggest that it outperforms current state-of-the-art methods, especially with a 10.0% improvement in association quality. The source code of our method will be publicly available at https://github.com/nubot-nudt/ElC-OIS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google