Learning from Mistakes: Self-Regularizing Hierarchical Representations in Point Cloud Semantic Segmentation

要約

自律型ロボット技術の最近の進歩により、正確な環境分析の必要性が高まっています。
LiDAR セマンティック セグメンテーションは、センサーから提供される生のコンテンツに直接作用することで、きめ細かいシーンの理解を実現するために注目を集めています。
最近のソリューションは、アーキテクチャやデータセットを変更せずに、さまざまな学習手法を使用してモデルのパフォーマンスを向上させる方法を示しました。
この傾向に従って、標準モデルから派生した分類ミス (LEAK) から学習する、粗いから細かいまでのセットアップを紹介します。
まず、クラスは相互の予測誤差に従ってマクロ グループにクラスタリングされます。
次に、学習プロセスは、(1) 細かいクラスと粗いクラスの両方のクラス条件付きプロトタイプ特徴表現を調整する、(2) クラスごとの公平性インデックスを使用してインスタンスに重み付けする、によって正規化されます。
当社の LEAK アプローチは非常に汎用的であり、あらゆるセグメンテーション アーキテクチャの上にシームレスに適用できます。
実際、実験結果では、よりバランスのとれたクラスごとの結果とより高速な収束を保証しながら、さまざまなアーキテクチャ、データセット、タスクで最先端のパフォーマンスを実現できることが示されました。

要約(オリジナル)

Recent advances in autonomous robotic technologies have highlighted the growing need for precise environmental analysis. LiDAR semantic segmentation has gained attention to accomplish fine-grained scene understanding by acting directly on raw content provided by sensors. Recent solutions showed how different learning techniques can be used to improve the performance of the model, without any architectural or dataset change. Following this trend, we present a coarse-to-fine setup that LEArns from classification mistaKes (LEAK) derived from a standard model. First, classes are clustered into macro groups according to mutual prediction errors; then, the learning process is regularized by: (1) aligning class-conditional prototypical feature representation for both fine and coarse classes, (2) weighting instances with a per-class fairness index. Our LEAK approach is very general and can be seamlessly applied on top of any segmentation architecture; indeed, experimental results showed that it enables state-of-the-art performances on different architectures, datasets and tasks, while ensuring more balanced class-wise results and faster convergence.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google