Towards Unsupervised Object Detection From LiDAR Point Clouds

要約

本論文では、自動運転シーンにおける3D点群からの教師なし物体検出の問題を研究する。我々は、(i)点群が密集している近距離領域における点のクラスタリング、(ii)教師なし検出のノイズをフィルタリングするための時間的整合性、(iii)自動ラベルを長距離まで拡張するためのCNNの並進等価性、(iv)自ら改善するための自己教師機能を利用した、シンプルかつ効果的な手法を提示する。我々のアプローチであるOYSTER (Object Discovery via Spatio-Temporal Refinement)は、データ収集に制約を課さず（同じ場所を繰り返しトラバースするなど）、教師ありの微調整なしで（疎な遠距離の領域でも）ゼロショットで物体を検出することができ、反復的な自己学習を繰り返すことで自己改善を続ける。自動運転シナリオにおけるモデルの性能をより良く測定するために、我々は衝突までの距離に基づいた新しい計画中心の知覚指標を提案する。PandaSetとArgoverse 2 Sensorデータセットにおいて、我々の教師なし物体検出器が教師なしベースラインを大幅に上回ることを実証し、物体プライアと組み合わせた自己教師が野生の物体発見を可能にする可能性を示す。詳細については、プロジェクトのウェブサイトをご覧ください： https://waabi.ai/research/oyster

要約(オリジナル)

In this paper, we study the problem of unsupervised object detection from 3D point clouds in self-driving scenes. We present a simple yet effective method that exploits (i) point clustering in near-range areas where the point clouds are dense, (ii) temporal consistency to filter out noisy unsupervised detections, (iii) translation equivariance of CNNs to extend the auto-labels to long range, and (iv) self-supervision for improving on its own. Our approach, OYSTER (Object Discovery via Spatio-Temporal Refinement), does not impose constraints on data collection (such as repeated traversals of the same location), is able to detect objects in a zero-shot manner without supervised finetuning (even in sparse, distant regions), and continues to self-improve given more rounds of iterative self-training. To better measure model performance in self-driving scenarios, we propose a new planning-centric perception metric based on distance-to-collision. We demonstrate that our unsupervised object detector significantly outperforms unsupervised baselines on PandaSet and Argoverse 2 Sensor dataset, showing promise that self-supervision combined with object priors can enable object discovery in the wild. For more information, visit the project website: https://waabi.ai/research/oyster

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL