Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Open-Set LiDAR Panoptic Segmentation Guided by Uncertainty-Aware Learning

Created by
  • Haebom

作者

Rohit Mohan, Julia Hindel, Florian Drews, Claudius Gl aser, Daniele Cattaneo, Abhinav Valada

概要

本論文は、オープンワールド環境で走行する自律走行車両が、従来見られなかった物体の種類に出会うことに着目し、未知の物体インスタンスを検出することに失敗する既存の閉鎖型LiDARパノラマ分割モデルの限界を克服しようと提案されたULOPS(Uncertainty-guided Open-Set)。 ULOPSはDirichletベースの証拠学習を活用して予測不確実性をモデル化し、不確実性推定を含むセマンティックスプリット、円形関連を含む埋め込み、インスタンス中心予測のための別々のデコーダを統合します。推論中は、不確実性推定値を利用して未知のインスタンスを識別して分割する。既知のオブジェクトと未知のオブジェクトを区別するモデルの能力を強化するために、3つの不確実性ベースの損失関数（均一な証拠損失、適応型不確実性分離損失、対照不確実性損失）を導入します。 KITTI-360のベンチマーク設定を拡張し、nuScenesの新しいオープンセット評価を導入してオープンセット性能を評価し、既存のオープンセットLiDARパノラマ分割方法より優れた性能を示すことを実験的に実証する。

Takeaways、Limitations

•
Takeaways:
◦
Dirichletベースの証拠学習を用いた不確実性モデリングにより、オープンセットLiDARパノラマ分割問題を効果的に解決しました。
◦
不確実性に基づく損失関数を導入して,既知のオブジェクトと未知のオブジェクトの区別能力を改善した。
◦
KITTI-360およびnuScenesデータセットでは、従来の方法より優れた性能を達成しました。
◦
オープンセット評価のための新しいベンチマークを提示した。
•
Limitations：
◦
提案された方法の実際の自律走行環境における性能検証がさらに必要である。
◦
さまざまな環境や気象条件のロバースト性評価が不足しています。
◦
新しい、未知のオブジェクトの種類の一般化パフォーマンスの追加分析が必要です。
◦
計算コストが高くなる可能性がある点。
👍
Made with Slashpage