SPG : Adaptation de domaine non supervisée pour la détection d'objets 3D par génération de points sémantiques

Dans le domaine du pilotage automatisé, un détecteur d'objets basé sur LiDAR doit fonctionner de manière fiable à différentes localisations géographiques et dans diverses conditions météorologiques. Alors que les recherches récentes sur la détection 3D se concentrent principalement sur l'amélioration des performances au sein d'un même domaine, notre étude révèle que les performances des détecteurs modernes peuvent chuter de manière drastique lorsqu'ils sont transférés d'un domaine à un autre. Dans ce travail, nous explorons l'adaptation de domaine non supervisée (UDA) pour la détection 3D basée sur LiDAR. Sur le jeu de données Waymo Domain Adaptation, nous identifions la dégradation de la qualité des nuages de points comme la cause fondamentale de cette baisse de performance. Pour remédier à ce problème, nous proposons une méthode générale appelée Génération de points sémantiques (SPG), visant à améliorer la robustesse des détecteurs LiDAR face aux décalages de domaine. Plus précisément, SPG génère des points sémantiques dans les régions prédites comme étant en avant-plan, et reconstruit fidèlement les parties manquantes des objets en avant-plan, causées par des phénomènes tels que les occultations, la faible réflectance ou les perturbations météorologiques. En combinant ces points sémantiques avec les points d'origine, nous obtenons un nuage de points enrichi, directement utilisable par les détecteurs LiDAR modernes. Pour valider la large applicabilité de SPG, nous avons mené des expérimentations avec deux détecteurs représentatifs : PointPillars et PV-RCNN. Sur la tâche d'UDA, SPG améliore significativement les deux détecteurs pour toutes les catégories d'objets d'intérêt et à tous les niveaux de difficulté. Par ailleurs, SPG peut également améliorer la détection d'objets dans le domaine d'origine. Sur les jeux de données Waymo Open Dataset et KITTI, SPG améliore les résultats de détection 3D de ces deux méthodes pour toutes les catégories. En combinaison avec PV-RCNN, SPG atteint des résultats de détection 3D de pointe sur KITTI.