Multi-Echo Denoising in Adverse Weather

要約

悪天候により、光検出測距 (LiDAR) データに対するノイズが発生する可能性があります。
これは多くの屋外用途で使用されるため、問題になります。
オブジェクトの検出とマッピング。
我々は、マルチエコーノイズ除去のタスクを提案します。その目的は、対象のオブジェクトを表すエコーを選択し、他のエコーを破棄することです。
したがって、アイデアは、ノイズのために標準の最も強いエコー点群では利用できない代替エコーから点を選択することです。
直感的に言えば、私たちは悪天候を乗り越えようとしているのです。
この目標を達成するために、新しい自己教師あり深層学習手法と、そのパフォーマンスを向上させる特性類似性正則化手法を提案します。
半合成データセットでの広範な実験に基づいた私たちの方法は、自己監視型悪天候ノイズ除去において最先端の方法と比較して優れたパフォーマンスを達成しています (23% 改善)。
さらに、実際のマルチエコー悪天候データセットを使用した実験により、マルチエコーノイズ除去の有効性が証明されています。
私たちの取り組みにより、悪天候下でもより信頼性の高い点群の取得が可能となり、そのような状況下でのより安全な自動運転および運転支援システムが約束されます。
コードは https://github.com/alvariseppanen/SMEDNet で入手できます。

要約(オリジナル)

Adverse weather can cause noise to light detection and ranging (LiDAR) data. This is a problem since it is used in many outdoor applications, e.g. object detection and mapping. We propose the task of multi-echo denoising, where the goal is to pick the echo that represents the objects of interest and discard other echoes. Thus, the idea is to pick points from alternative echoes that are not available in standard strongest echo point clouds due to the noise. In an intuitive sense, we are trying to see through the adverse weather. To achieve this goal, we propose a novel self-supervised deep learning method and the characteristics similarity regularization method to boost its performance. Based on extensive experiments on a semi-synthetic dataset, our method achieves superior performance compared to the state-of-the-art in self-supervised adverse weather denoising (23% improvement). Moreover, the experiments with a real multi-echo adverse weather dataset prove the efficacy of multi-echo denoising. Our work enables more reliable point cloud acquisition in adverse weather and thus promises safer autonomous driving and driving assistance systems in such conditions. The code is available at https://github.com/alvariseppanen/SMEDNet

arxiv情報

提供元, 利用サービス

arxiv.jp, Google