Contrastive Learning for Automotive mmWave Radar Detection Points Based Instance Segmentation

要約

自動車のミリ波レーダーは、先進運転支援システム（ADAS）と自動運転で重要な役割を果たします。
ディープラーニングベースのインスタンスセグメンテーションにより、レーダー探知ポイントからのリアルタイムのオブジェクト識別が可能になります。
従来のトレーニングプロセスでは、正確な注釈が重要です。
ただし、レーダー検出ポイントの高品質の注釈は、あいまいさと希薄さのために実現が困難です。
この問題に対処するために、レーダー探知ポイントベースのインスタンスセグメンテーションを実装するための対照的な学習アプローチを提案します。
グラウンドトゥルースラベルに従って正と負のサンプルを定義し、対照的な損失を適用して最初にモデルをトレーニングし、次に次のダウンストリームタスクの微調整を実行します。
さらに、これら2つのステップを1つにマージし、ラベルのないデータに対して疑似ラベルを生成して、パフォーマンスをさらに向上させることができます。
したがって、この方法には4つの異なるトレーニング設定があります。
実験によると、グラウンドトゥルース情報がトレーニングデータのごく一部でしか利用できない場合でも、私たちの方法は、100％グラウンドトゥルース情報を使用して監視された方法でトレーニングされたアプローチと同等のパフォーマンスを達成します。

要約(オリジナル)

The automotive mmWave radar plays a key role in advanced driver assistance systems (ADAS) and autonomous driving. Deep learning-based instance segmentation enables real-time object identification from the radar detection points. In the conventional training process, accurate annotation is the key. However, high-quality annotations of radar detection points are challenging to achieve due to their ambiguity and sparsity. To address this issue, we propose a contrastive learning approach for implementing radar detection points-based instance segmentation. We define the positive and negative samples according to the ground-truth label, apply the contrastive loss to train the model first, and then perform fine-tuning for the following downstream task. In addition, these two steps can be merged into one, and pseudo labels can be generated for the unlabeled data to improve the performance further. Thus, there are four different training settings for our method. Experiments show that when the ground-truth information is only available for a small proportion of the training data, our method still achieves a comparable performance to the approach trained in a supervised manner with 100% ground-truth information.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google