Towards Transferable Multi-modal Perception Representation Learning for Autonomy: NeRF-Supervised Masked AutoEncoder

要約

この研究では、Neural Radiance Field (NeRF) におけるマスクされたマルチモーダル再構築を介した転送可能なマルチモーダル知覚表現学習のための統合された自己教師あり事前トレーニング フレームワーク、すなわち NeRF-Supervised Masked AutoEncoder (NS-MAE) を提案します。
具体的には、特定のビュー方向と位置を条件として、破損したマルチモーダル入力信号、つまり LiDAR 点群と画像から抽出されたマルチモーダル エンベディングが、ニューラル レンダリングを介して投影されたマルチモーダル特徴マップにレンダリングされます。
次に、元のマルチモーダル信号は、レンダリングされたマルチモーダル特徴マップの再構成ターゲットとして機能し、自己教師あり表現学習を可能にします。
広範な実験により、NS-MAE を介して学習された表現は、多様な 3D 知覚下流タスク (3D オブジェクト検出および BEV マップ セグメンテーション) における多様なマルチモーダルおよびシングルモーダル (カメラのみおよび Lidar のみ) の知覚モデルに対して有望な転送可能性を示すことが示されています。
さまざまな量の微調整されたラベル付きデータ。
さらに、我々は、NS-MAEがマスクされたオートエンコーダーのメカニズムと神経放射場の両方の相乗効果を享受していることを経験的に発見しました。
私たちのコードは承認され次第公開されます。

要約(オリジナル)

This work proposes a unified self-supervised pre-training framework for transferable multi-modal perception representation learning via masked multi-modal reconstruction in Neural Radiance Field (NeRF), namely NeRF-Supervised Masked AutoEncoder (NS-MAE). Specifically, conditioned on certain view directions and locations, multi-modal embeddings extracted from corrupted multi-modal input signals, i.e., Lidar point clouds and images, are rendered into projected multi-modal feature maps via neural rendering. Then, original multi-modal signals serve as reconstruction targets for the rendered multi-modal feature maps to enable self-supervised representation learning. Extensive experiments show that the representation learned via NS-MAE shows promising transferability for diverse multi-modal and single-modal (camera-only and Lidar-only) perception models on diverse 3D perception downstream tasks (3D object detection and BEV map segmentation) with diverse amounts of fine-tuning labeled data. Moreover, we empirically find that NS-MAE enjoys the synergy of both the mechanism of masked autoencoder and neural radiance field. Our code shall be released upon acceptance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google