3DLabelProp: Geometric-Driven Domain Generalization for LiDAR Semantic Segmentation in Autonomous Driving

要約

ドメイン一般化の目的は、トレーニング データセットと推論データセットの間でドメインが大きく変化しても、ディープ ラーニング モデルのパフォーマンスを維持する方法を見つけることです。
これは、堅牢である必要があるモデルやトレーニングにコストがかかるモデルにとって特に重要です。
自動運転における LiDAR の認識はこれら両方の懸念の影響を受け、さまざまなアプローチの出現につながります。
この研究では、LiDAR センサーの連続構造を活用した幾何学ベースのアプローチを提案することで課題に対処しており、文献で一般的に見られる学習ベースの方法とは一線を画しています。
提案された方法は 3DLabelProp と呼ばれ、LiDAR セマンティック セグメンテーション (LSS) のタスクに適用されます。
7 つのデータセットに対する広範な実験を通じて、これが最先端のアプローチであり、単純な手法や他の領域一般化手法よりも優れたパフォーマンスを発揮することが実証されました。

要約(オリジナル)

Domain generalization aims to find ways for deep learning models to maintain their performance despite significant domain shifts between training and inference datasets. This is particularly important for models that need to be robust or are costly to train. LiDAR perception in autonomous driving is impacted by both of these concerns, leading to the emergence of various approaches. This work addresses the challenge by proposing a geometry-based approach, leveraging the sequential structure of LiDAR sensors, which sets it apart from the learning-based methods commonly found in the literature. The proposed method, called 3DLabelProp, is applied on the task of LiDAR Semantic Segmentation (LSS). Through extensive experimentation on seven datasets, it is demonstrated to be a state-of-the-art approach, outperforming both naive and other domain generalization methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google