Core Concepts
LiDARポイントクラウドのセマンティックセグメンテーションにおいて、限られたラベル付きデータを活用するために、基礎モデルを用いた弱教師付き学習手法を提案する。
Abstract
本研究では、LiDARポイントクラウドのセマンティックセグメンテーションのための弱教師付き学習手法を提案している。
まず、画像上の散在したアノテーションを用いて、基礎モデルのSAMを活用してポイントクラウドの擬似ラベルを生成する。これにより、ラベル付けの手間を大幅に削減できる。
次に、生成された擬似ラベルの誤りを軽減するために、画像特徴とポイントクラウド特徴を融合するマルチモーダルネットワークを提案する。このネットワークでは、モーダル間の整合性を保つことで、擬似ラベルの影響を低減する。
実験の結果、SemanticKITTIデータセットでは完全教師付きの66%、NuScenesデータセットでは95%の性能を達成した。これは、わずか0.02%、0.1%のラベル付きデータを使用しただけで実現したものである。
提案手法の各モジュールの有効性についても、詳細な検証実験を行っている。特に、基礎モデルを活用した擬似ラベル生成と、マルチモーダル特徴融合によるラベル誤りの軽減が重要な役割を果たしていることが示された。
Stats
LiDARポイントクラウドの0.02%のみにラベルを付与しても、完全教師付きの66%の性能を達成できる
LiDARポイントクラウドの0.1%のみにラベルを付与しても、完全教師付きの95%の性能を達成できる
Quotes
"LiDARポイントクラウドのセマンティックセグメンテーションにおいて、限られたラベル付きデータを活用するために、基礎モデルを用いた弱教師付き学習手法を提案する。"
"提案手法では、画像上の散在したアノテーションを用いて、基礎モデルのSAMを活用してポイントクラウドの擬似ラベルを生成する。"
"生成された擬似ラベルの誤りを軽減するために、画像特徴とポイントクラウド特徴を融合するマルチモーダルネットワークを提案する。"