SPG: التكيّف دون تدريب للمجال في كشف الأجسام ثلاثية الأبعاد من خلال توليد النقاط الدلالية

في القيادة الذاتية، يجب أن يعمل كاشف الكائنات القائم على ليدار بشكل موثوق في مواقع جغرافية مختلفة وفي ظروف جوية متنوعة. في حين أن الأبحاث الحديثة في الكشف ثلاثي الأبعاد تركز على تحسين الأداء داخل مجال واحد، فإن دراستنا تُظهر أن أداء كاشفات العصر الحديث قد ينخفض بشكل كبير عند الانتقال بين المجالات المختلفة. في هذه الورقة، نستكشف التكيّف غير المراقب للنطاق (UDA) في الكشف ثلاثي الأبعاد القائم على ليدار. وعلى مجموعة بيانات تكيّف النطاق في Waymo، نحدد جودة سحابة النقاط المتدنية كسبب جذري لانخفاض الأداء. ولحل هذه المشكلة، نقدّم طريقة عامة تُسمى "توليد النقاط الشكلية" (SPG)، تهدف إلى تعزيز موثوقية كاشفات ليدار أمام التحولات بين المجالات. بشكل خاص، تقوم SPG بتوليد نقاط شكلية في المناطق المُتنبأ بها كأمامية، وتعيد بدقة إلى أجزاء مفقودة من الكائنات الأمامية، والتي تُنتج بسبب ظواهر مثل الاحتجاز، أو انخفاض الانعكاس، أو التداخلات الجوية. وبدمج النقاط الشكلية مع النقاط الأصلية، نحصل على سحابة نقاط مُوسّعة، التي يمكن استهلاكها مباشرة من قبل كاشفات ليدار الحديثة. ولتأكيد انتشار SPG الواسع، نجرّب طريقتين ممثليتين لكاشفات، وهما PointPillars و PV-RCNN. وعلى مهمة UDA، تُحسّن SPG بشكل ملحوظ كلا الكاشفين في جميع فئات الكائنات المهمة وفي جميع مستويات الصعوبة. كما يمكن لـ SPG أن يفيد في الكشف عن الكائنات في المجال الأصلي. وعلى مجموعة بيانات Waymo Open Dataset وKITTI، تُحسّن SPG نتائج الكشف ثلاثي الأبعاد لكلا الطريقتين في جميع الفئات. وبالارتباط مع PV-RCNN، تحقق SPG نتائج كشف ثلاثي أبعاد من أفضل النتائج في تاريخ KITTI.