SPG: Unsupervised Domain Adaptation für 3D-Objekterkennung mittels semantischer Punkterzeugung

In der autonomen Fahrt muss ein LiDAR-basierter Objektdetektor zuverlässig an verschiedenen geografischen Standorten und unter unterschiedlichen Wetterbedingungen funktionieren. Während die jüngste Forschung im Bereich der 3D-Detektion sich hauptsächlich auf die Verbesserung der Leistung innerhalb eines einzelnen Domänen fokussiert, zeigt unsere Studie, dass die Leistung moderner Detektoren bei Übertragung zwischen Domänen stark abnehmen kann. In diesem Paper untersuchen wir unüberwachte Domänenanpassung (Unsupervised Domain Adaptation, UDA) für LiDAR-basierte 3D-Objektdetektion. Auf dem Waymo Domain Adaptation-Datensatz identifizieren wir die verschlechterte Punktewolkenqualität als Ursache für den Leistungsabfall. Um dieses Problem anzugehen, stellen wir Semantic Point Generation (SPG) vor – einen allgemeinen Ansatz zur Steigerung der Zuverlässigkeit von LiDAR-Detektoren gegenüber Domänenverschiebungen. Insbesondere generiert SPG semantische Punkte in den vorhergesagten Vordergrundregionen und stellt fehlende Teile der Vordergrundobjekte treu wieder her, die durch Phänomene wie Verdeckung, geringe Reflektivität oder Wetterbeeinflussung verursacht werden. Durch die Fusion der semantischen Punkte mit den ursprünglichen Punkten erhalten wir eine erweiterte Punktewolke, die direkt von modernen LiDAR-basierten Detektoren verarbeitet werden kann. Um die breite Anwendbarkeit von SPG zu validieren, testen wir zwei repräsentative Detektoren, PointPillars und PV-RCNN. Auf der UDA-Aufgabe verbessert SPG beide Detektoren signifikant für alle interessierenden Objektkategorien und bei allen Schwierigkeitsstufen. SPG kann zudem die Objektdetektion in der ursprünglichen Domäne unterstützen. Auf dem Waymo Open Dataset und KITTI verbessert SPG die 3D-Detektionsergebnisse beider Methoden für alle Kategorien. In Kombination mit PV-RCNN erreicht SPG state-of-the-art Ergebnisse für die 3D-Detektion auf KITTI.