要約
自律ロボットが動作する環境を理解することは、その適切な機能実現にとって不可欠である。このようなシーン理解には、交通参加者（traffic participants）の個々のインスタンスを認識するとともに、一般的なシーンの意味情報を捉えることが必要であり、これらはパノプティックセグメンテーション（panoptic segmentation）タスクによって効果的に解決可能である。本論文では、複数スケールの意味情報を豊かに含む特徴量を効率的に符号化・統合する共有バックボーンを備えた、効率的なパノプティックセグメンテーション（EfficientPS）アーキテクチャを提案する。さらに、細粒度かつ文脈情報を整合的に集約する新しいセマンティックヘッドと、マスクR-CNNの新規変種をインスタンスヘッドとして採用している。また、EfficientPSアーキテクチャの両ヘッドから出力されるロジットを整合的に統合し、最終的なパノプティックセグメンテーション出力を得るための新しいパノプティック統合モジュールを提案する。さらに、代表的な難易度の高いKITTIベンチマークに対してパノプティックアノテーションを含むKITTIパノプティックセグメンテーションデータセットを導入する。Cityscapes、KITTI、Mapillary Vistas、およびIndian Driving Datasetの4つのベンチマークにおける広範な評価結果から、本研究で提案するアーキテクチャが、いずれのベンチマークでも一貫して最新の最先端性能を達成するとともに、これまでにない高い効率性と高速性を兼ね備えたパノプティックセグメンテーションアーキテクチャであることが示された。