3D LiDARの異常セグメンテーションにおける分布外（Out-of-Distribution）物体の同定学習

Abstract

周囲の環境を理解することは、自動運転およびロボット知覚において基本となる。既知のクラスと、これまでに見たことのない物体とを区別することは、現実世界の環境において重要であり、これはAnomaly Segmentationで行われている。しかし、3D分野における研究は依然として限られており、既存の多くの手法は2D視覚からのポストプロセッシング手法を適用するにとどまっている。この不足を補うために、我々は特徴空間上で直接動作する、新しい効率的なアプローチを提案する。具体的には、インライアクラスの特徴分布をモデル化し、異常サンプルを制約する。さらに、公開されている3D LiDARの異常セグメンテーションのデータセットは唯一存在するが、単純なシナリオのみを含み、異常インスタンスが少なく、またセンサー分解能による深刻なドメインギャップが見られる。このギャップを埋めるために、3D LiDAR異常セグメンテーション向けの、実データと合成データを混合した一連のデータセットを導入する。これは確立されたセマンティックセグメンテーションのベンチマークに基づいて構築されており、複数の分布外（out-of-distribution）オブジェクトと、多様で複雑な環境を備えている。大規模な実験により、提案手法が既存の実世界データセットおよび新たに導入した混合データセットそれぞれにおいて、最先端および競争力のある結果を達成していることが示される。これにより、我々の手法の有効性と、提案データセットの有用性が検証される。コードおよびデータセットは https://simom0.github.io/lido-page/ で利用可能である。