Hierarchical Insights: Exploiting Structural Similarities for Reliable 3D Semantic Segmentation

要約

自動運転などの安全性が重要なアプリケーションには、非常に多様で曖昧な環境に耐えられる堅牢な 3D 環境認識アルゴリズムが必要です。
分類モデルの予測パフォーマンスは、基礎となるデータセットと、注釈付きラベルによって伝えられる事前知識に大きく依存します。
ラベルは学習プロセスの基礎を提供しますが、通常、クラス間の固有の関係、つまり人間の知覚システムの自然な要素である表現を表すことができません。
3D LiDAR セマンティック セグメンテーション モデルが抽象化を通じて異なるクラス間の構造的関係を学習できるようにするトレーニング戦略を提案します。
これは、階層型マルチラベル分類 (HMC) の学習ルールを通じてこれらの関係を暗黙的にモデル化することで実現されます。
詳細な分析により、このトレーニング戦略がどのようにモデルの信頼度調整を改善するだけでなく、融合、予測、計画などの下流タスクのための追加情報を保存するかを示します。

要約(オリジナル)

Safety-critical applications like autonomous driving call for robust 3D environment perception algorithms which can withstand highly diverse and ambiguous surroundings. The predictive performance of any classification model strongly depends on the underlying dataset and the prior knowledge conveyed by the annotated labels. While the labels provide a basis for the learning process, they usually fail to represent inherent relations between the classes – representations, which are a natural element of the human perception system. We propose a training strategy which enables a 3D LiDAR semantic segmentation model to learn structural relationships between the different classes through abstraction. We achieve this by implicitly modeling those relationships through a learning rule for hierarchical multi-label classification (HMC). With a detailed analysis we show, how this training strategy not only improves the model’s confidence calibration, but also preserves additional information for downstream tasks like fusion, prediction and planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google