BEVal：自動運転向けBEVセグメンテーションモデルのクロスデータセット評価に関する研究

Abstract

自動運転における意味的バードアイビュー（BEV）セグメンテーションの現在の研究は、単一のデータセット（一般的にはnuScenes）を用いてニューラルネットワークモデルを最適化することのみに焦点を当てている。こうした実践は、高度に特化したモデルの開発につながり、異なる環境やセンサー構成に直面した際に失敗する可能性がある。この問題はドメインシフトとして知られている。本論文では、BEVセグメンテーションの最先端モデルについて、異なる学習・評価（テスト）データセットおよびセットアップ、ならびに異なる意味カテゴリにまたがる性能を評価するために、包括的なクロスデータセット評価を行う。さらに、カメラやLiDARなどの異なるセンサーが、モデルの多様な条件やシナリオへの汎化能力に与える影響を調査する。加えて、単一データセットによる学習と比較してモデルのBEVセグメンテーション性能を向上させるマルチデータセット学習の実験も実施する。本研究は、クロスデータセットによる検証下でのBEVセグメンテーションモデルの評価におけるギャップを埋めるものである。そして本結果は、自動運転アプリケーションに向けてより頑健で信頼性の高いBEVセグメンテーション手法を実現するために、モデルの汎化性と適応性を高めることの重要性を強調する。本論文のコードは https://github.com/manueldiaz96/beval で公開されている。