A Realism Metric for Generated LiDAR Point Clouds

要約

かなりの量の研究が、現実的なセンサー データの生成に関係しています。
LiDAR ポイント クラウドは、複雑なシミュレーションまたは学習した生成モデルによって生成されます。
生成されたデータは、通常、下流の認識アルゴリズムを有効化または改善するために利用されます。
これらの手順から 2 つの主要な疑問が生じます。まず、生成されたデータのリアリズムを評価する方法は?
第二に、より現実的なデータはより良い知覚パフォーマンスにもつながりますか?
このホワイト ペーパーでは、両方の質問に対処し、LiDAR 点群のリアリズムを定量化するための新しいメトリックを提示します。
関連する機能は、プロキシ分類タスクでトレーニングすることにより、現実世界および合成点群から学習されます。
一連の実験では、生成された LiDAR データのリアリズムを決定し、メトリックのリアリズム推定をセグメンテーション モデルのパフォーマンスと比較するためのメトリックの適用を示します。
メトリクスが下流のセグメンテーション パフォーマンスの指標を提供することを確認します。

要約(オリジナル)

A considerable amount of research is concerned with the generation of realistic sensor data. LiDAR point clouds are generated by complex simulations or learned generative models. The generated data is usually exploited to enable or improve downstream perception algorithms. Two major questions arise from these procedures: First, how to evaluate the realism of the generated data? Second, does more realistic data also lead to better perception performance? This paper addresses both questions and presents a novel metric to quantify the realism of LiDAR point clouds. Relevant features are learned from real-world and synthetic point clouds by training on a proxy classification task. In a series of experiments, we demonstrate the application of our metric to determine the realism of generated LiDAR data and compare the realism estimation of our metric to the performance of a segmentation model. We confirm that our metric provides an indication for the downstream segmentation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google