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、多様で曖昧な環境に対応できる堅牢な 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、データセットと、注釈付きラベルによって提供される事前知識に大きく影響されます。
ラベルは学習プロセスをガイドしますが、人間が自然に理解できるクラス間の固有の関係を捉えることができないことがよくあります。
抽象化を通じてクラス間の構造的関係を学習する 3D LiDAR セマンティック セグメンテーション モデルの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) の学習ルールを使用し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。
私たちの詳細な分析は、このトレーニング戦略がモデルの信頼性キャリブレーションを改善するだけでなく、融合、予測、計画などの下流タスクに役立つ追加情報を保持することを示しています。

要約(オリジナル)

Safety-critical applications such as autonomous driving require robust 3D environment perception algorithms capable of handling diverse and ambiguous surroundings. The predictive performance of classification models is heavily influenced by the dataset and the prior knowledge provided by the annotated labels. While labels guide the learning process, they often fail to capture the inherent relationships between classes that are naturally understood by humans. We propose a training strategy for a 3D LiDAR semantic segmentation model that learns structural relationships between classes through abstraction. This is achieved by implicitly modeling these relationships using a learning rule for hierarchical multi-label classification (HMC). Our detailed analysis demonstrates that this training strategy not only improves the model’s confidence calibration but also retains additional information useful for downstream tasks such as fusion, prediction, and planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google