Label-Efficient 3D Object Detection For Road-Side Units

要約

オクルージョンは、自動運転などの安全性が重要なアプリケーションにとって重大な課題となります。
共同知覚は、インテリジェント路側装置 (RSU) との深い情報融合によって自動運転車の知覚を強化し、オクルージョンの影響を最小限に抑えることができるため、最近大きな研究の関心を集めています。
大幅な進歩が見られましたが、これらの手法はデータを大量に消費する性質があるため、特に注釈付きの RSU データが必要なため、実際の展開には大きな障害が生じています。
トレーニングに必要な膨大な量の RSU データに手動で注釈を付けるのは、膨大な数の交差点と点群に注釈を付けるのにかかる労力を考慮すると、法外なコストがかかります。
私たちは、教師なし物体発見に基づいた RSU 用のラベル効率の良い物体検出方法を考案することで、この課題に対処します。
私たちの論文では、2 つの新しいモジュールを紹介します。1 つは点群の時空間集約に基づく物体発見用で、もう 1 つは改良用です。
さらに、注釈付きデータのごく一部を微調整することで、オブジェクト発見モデルが完全に監視されたモデルとのパフォーマンスのギャップを狭め、さらにはそれを超えることもできることを実証します。
私たちの手法を評価するために、シミュレートされたデータセットと現実世界のデータセットで広範な実験が実行されます。

要約(オリジナル)

Occlusion presents a significant challenge for safety-critical applications such as autonomous driving. Collaborative perception has recently attracted a large research interest thanks to the ability to enhance the perception of autonomous vehicles via deep information fusion with intelligent roadside units (RSU), thus minimizing the impact of occlusion. While significant advancement has been made, the data-hungry nature of these methods creates a major hurdle for their real-world deployment, particularly due to the need for annotated RSU data. Manually annotating the vast amount of RSU data required for training is prohibitively expensive, given the sheer number of intersections and the effort involved in annotating point clouds. We address this challenge by devising a label-efficient object detection method for RSU based on unsupervised object discovery. Our paper introduces two new modules: one for object discovery based on a spatial-temporal aggregation of point clouds, and another for refinement. Furthermore, we demonstrate that fine-tuning on a small portion of annotated data allows our object discovery models to narrow the performance gap with, or even surpass, fully supervised models. Extensive experiments are carried out in simulated and real-world datasets to evaluate our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google