Khái niệm cốt lõi
大量の未ラベル化されたレーダーデータを活用し、自己教師あり学習によってレーダーのみの物体検出モデルを事前学習する手法を提案する。
Tóm tắt
本論文では、自動運転車のレーダーを用いた知覚タスクのための自己教師あり学習フレームワーク「Radical」を提案する。
- レーダーデータは人間にとって解釈が困難であるため、大規模なラベル付けが非常に難しい。そこで、大量の未ラベル化されたレーダーデータと対応するカメラ画像を活用し、自己教師あり学習を行う。
- 提案手法では、レーダー間の対比学習(intra-modal)とレーダーとビジョンの対比学習(cross-modal)の2つの損失関数を組み合わせることで、レーダー特有の特徴と視覚的な意味情報を学習する。
- さらに、レーダー固有の新しい増強手法「RMM」を提案し、学習の効率化と頑健性の向上を図る。
- 実験の結果、提案手法は教師あり学習ベースラインに比べて5.8%のmAP向上を達成し、特に少ないラベル付きデータでの性能が大幅に向上することを示した。
Thống kê
レーダーデータは人間にとって解釈が困難であり、正確な物体境界ボックスの付与が非常に難しい。
従来のカメラやLiDARを用いた教師信号の活用では、センサー間の視点の違いや反射特性の違いから、正確な教師信号を得ることが困難である。
Trích dẫn
"レーダーデータは人間にとって解釈が困難であり、正確な物体境界ボックスの付与が非常に難しい。"
"従来のカメラやLiDARを用いた教師信号の活用では、センサー間の視点の違いや反射特性の違いから、正確な教師信号を得ることが困難である。"