核心概念
提案手法は、オーバーセグメンテーションとアンダーセグメンテーションの問題を軽減するため、重複するソフトクラスタと非重複のハードクラスタを組み合わせて使用し、フローと物体セグメンテーションを同時に最適化する。
摘要
本論文では、リアルワールドの大規模な点群シーケンスからの自己教師あり3Dシーンフロー推定の問題を研究している。地面点を除去し、初期の剛体クラスタリングを行った上で、以下の2つのクラスタを使用する:
ソフトクラスタ: 重複する小さなクラスタで、複数の剛体物体にまたがることができる。剛体性と外れ値除去の損失関数を使用して最適化する。
ハードクラスタ: 非重複の小さな剛体クラスタで、1つの剛体物体またはその一部のみをカバーする。剛体性の損失関数を使用して最適化する。
フローの推定と物体セグメンテーションを同時に最適化することで、オーバーセグメンテーションとアンダーセグメンテーションの問題を軽減できる。ソフトクラスタの重複により剛体性が空間的に伝播し、ハードクラスタの成長を促進する。一方、ソフトクラスタの外れ値除去により、複数の小さな独立して動く物体の分離が可能になる。
提案手法は、Argoverse2、Waymo、StereoKITTIデータセットで最先端の性能を達成し、特に歩行者や自転車などの小さな動的物体の推定精度が大幅に向上している。
統計資料
動的前景の平均EPEは0.079m
静的前景の平均EPEは0.035m
静的背景の平均EPEは0.026m
引述
"提案手法は、オーバーセグメンテーションとアンダーセグメンテーションの問題を軽減するため、重複するソフトクラスタと非重複のハードクラスタを組み合わせて使用し、フローと物体セグメンテーションを同時に最適化する。"
"ソフトクラスタの重複により剛体性が空間的に伝播し、ハードクラスタの成長を促進する。一方、ソフトクラスタの外れ値除去により、複数の小さな独立して動く物体の分離が可能になる。"