An Efficient Semi-Automated Scheme for Infrastructure LiDAR Annotation

要約

既存の認識システムのほとんどは、カメラから取得した感覚データに依存しており、暗い場所や悪天候ではうまく機能しません。
この制限を解決するために、自動運転アプリケーションの認識タスクで高度な LiDAR センサーが普及するのを目の当たりにしました。
それにもかかわらず、トラフィック監視システムでの使用はあまり普及していません。
このようなLiDARベースの交通監視システムを費用対効果の高い方法で効率的に開発する際の2つの重大な障害を特定します。(i)公共のLiDARデータセットは、インフラストラクチャシステムでの認識タスクをサポートするには不十分であり、(ii)LiDAR点群の3D注釈は時間です-
消費し、高価です。
このギャップを埋めるために、LiDAR シーケンスに追跡アルゴリズムで自動的に注釈を付けると同時に、完全に注釈付きのインフラストラクチャ LiDAR データセットである FLORIDA (フロリダ LiDAR ベースのオブジェクト認識とインテリジェント データ注釈) を提供する効率的な半自動注釈ツールを提示します。
公開されます。
当社の高度な注釈ツールは、マルチオブジェクト トラッキング (MOT)、シングル オブジェクト トラッキング (SOT)、および適切な軌道後処理技術をシームレスに統合します。
具体的には、アノテーターがツールによって不完全に予測されたアノテーションを再帰的に修正および改良し、それらをトレーニング データセットに段階的に追加して、より優れた SOT および MOT モデルを取得するヒューマン イン ザ ループ スキーマを導入します。
このプロセスを繰り返すことで、全体のアノテーション速度が 3 ～ 4 倍に大幅に向上し、最先端のアノテーション ツールよりも質の高いアノテーションが得られます。
ヒューマン アノテーションの実験により、当社のアノテーション ツールの有効性が検証されます。
さらに、交差点での認識タスクのベンチマークとして機能するデータセットの詳細な統計とオブジェクト検出評価結果を提供します。

要約(オリジナル)

Most existing perception systems rely on sensory data acquired from cameras, which perform poorly in low light and adverse weather conditions. To resolve this limitation, we have witnessed advanced LiDAR sensors become popular in perception tasks in autonomous driving applications. Nevertheless, their usage in traffic monitoring systems is less ubiquitous. We identify two significant obstacles in cost-effectively and efficiently developing such a LiDAR-based traffic monitoring system: (i) public LiDAR datasets are insufficient for supporting perception tasks in infrastructure systems, and (ii) 3D annotations on LiDAR point clouds are time-consuming and expensive. To fill this gap, we present an efficient semi-automated annotation tool that automatically annotates LiDAR sequences with tracking algorithms while offering a fully annotated infrastructure LiDAR dataset — FLORIDA (Florida LiDAR-based Object Recognition and Intelligent Data Annotation) — which will be made publicly available. Our advanced annotation tool seamlessly integrates multi-object tracking (MOT), single-object tracking (SOT), and suitable trajectory post-processing techniques. Specifically, we introduce a human-in-the-loop schema in which annotators recursively fix and refine annotations imperfectly predicted by our tool and incrementally add them to the training dataset to obtain better SOT and MOT models. By repeating the process, we significantly increase the overall annotation speed by three to four times and obtain better qualitative annotations than a state-of-the-art annotation tool. The human annotation experiments verify the effectiveness of our annotation tool. In addition, we provide detailed statistics and object detection evaluation results for our dataset in serving as a benchmark for perception tasks at traffic intersections.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google