要約
この論文では、レーダー セマンティック セグメンテーションのための新しい弱教師セマンティック セグメンテーション手法を紹介します。この手法では、既存の LiDAR セマンティック セグメンテーション モデルを使用してセマンティック ラベルを生成し、レーダー セマンティック セグメンテーション モデルをトレーニングするための監視信号として機能します。
取得されたレーダー セマンティック セグメンテーション モデルは、LiDAR ベースのモデルよりも優れたパフォーマンスを発揮し、全天候条件、特に雪、雨、霧の下でより一貫性のある堅牢なセグメンテーションを提供します。
LiDAR セマンティック ラベルの潜在的なエラーを軽減するために、構造的特徴と分布パターンに基づいて誤ったラベルを修正する専用の改良スキームを設計します。
レーダー セグメンテーション モデルによって生成されたセマンティック情報は 2 つの下流タスクで使用され、大幅なパフォーマンスの向上を実現します。
OpenStreetMap を使用した大規模なレーダーベースの位置特定では、従来の方法と比較して位置特定エラーが 20.55% 削減されます。
オドメトリ タスクでは、2 番目に優れた方法と比較して変換精度が 16.4\% 向上し、ICRA 2024 のレーダー イン ロボティクス ワークショップにおけるレーダー オドメトリ コンペティションで 1 位を獲得しました。
要約(オリジナル)
This paper presents a novel weakly supervised semantic segmentation method for radar segmentation, where the existing LiDAR semantic segmentation models are employed to generate semantic labels, which then serve as supervision signals for training a radar semantic segmentation model. The obtained radar semantic segmentation model outperforms LiDAR-based models, providing more consistent and robust segmentation under all-weather conditions, particularly in the snow, rain and fog. To mitigate potential errors in LiDAR semantic labels, we design a dedicated refinement scheme that corrects erroneous labels based on structural features and distribution patterns. The semantic information generated by our radar segmentation model is used in two downstream tasks, achieving significant performance improvements. In large-scale radar-based localization using OpenStreetMap, it leads to localization error reduction by 20.55\% over prior methods. For the odometry task, it improves translation accuracy by 16.4\% compared to the second-best method, securing the first place in the radar odometry competition at the Radar in Robotics workshop of ICRA 2024, Japan
arxiv情報
| 著者 | Siru Li,Ziyang Hong,Yushuai Chen,Liang Hu,Jiahu Qin |
| 発行日 | 2024-10-01 02:15:20+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google