Living in a Material World: Learning Material Properties from Full-Waveform Flash Lidar Data for Semantic Segmentation

要約

タイトル：Full-Waveform Flash Lidarデータからの物質特性の学習による意味的セグメンテーションの向上

要約：
– Flash Lidarセンサーは、反射率の測定値に加えて、返信パルスの形状に関する情報を提供することができる。
– 返信パルスの形状は、光のパルスが移動する距離や表面となす角度など、さまざまな要因に影響を受ける。
– 特に、返信パルスの形状は、反射表面の物性にも依存する。
– この論文では、Full-Waveform Flash Lidarデータから物質の種類またはクラスを特定できるかどうかを検証する。
– 物質クラスの情報が正確にわかっている場合、意味的セグメンテーションなどのシーン理解タスクのパフォーマンスを向上させることができることを示す。
– 2つの異なるFull-Waveform物質分類器（ランダムフォレスト分類器と一時的な畳み込みニューラルネットワーク（TCN）分類器）を学習する。
– 物質の種類を識別できる場合があり、TCNが一般的に広い範囲の物質でより高いパフォーマンスを示すことがわかる。
– ただし、入射角度、物質の色、物質の類似性などの要因が全体的なパフォーマンスを妨げる可能性がある。

要約(オリジナル)

Advances in lidar technology have made the collection of 3D point clouds fast and easy. While most lidar sensors return per-point intensity (or reflectance) values along with range measurements, flash lidar sensors are able to provide information about the shape of the return pulse. The shape of the return waveform is affected by many factors, including the distance that the light pulse travels and the angle of incidence with a surface. Importantly, the shape of the return waveform also depends on the material properties of the reflecting surface. In this paper, we investigate whether the material type or class can be determined from the full-waveform response. First, as a proof of concept, we demonstrate that the extra information about material class, if known accurately, can improve performance on scene understanding tasks such as semantic segmentation. Next, we learn two different full-waveform material classifiers: a random forest classifier and a temporal convolutional neural network (TCN) classifier. We find that, in some cases, material types can be distinguished, and that the TCN generally performs better across a wider range of materials. However, factors such as angle of incidence, material colour, and material similarity may hinder overall performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI