効率的なRGB-Dセマンティックセグメンテーションによる室内シーン解析

モバイルロボットが異なる環境下で動作する際、シーンの徹底的な解析は極めて重要である。セマンティックセグメンテーションは、（セマンティック補助付きの）人物認識、（セマンティック）フリー空間検出、（セマンティック）マッピング、および（セマンティック）ナビゲーションといった、その後のさまざまなタスクを向上させるのに有効である。本論文では、NVIDIA TensorRTを用いて高度に最適化可能な効率的かつ堅牢なRGB-Dセグメンテーション手法を提案する。この手法は、モバイルロボットによるシーン解析を目的とした複雑なシステムにおける共通の初期処理ステップとして適している。我々は、RGB画像のみを処理する場合と比較して、RGB-Dセグメンテーションが優れていることを示し、ネットワークアーキテクチャを適切に設計すれば、リアルタイムでの処理が可能であることも確認した。提案する「効率的シーン解析ネットワーク（ESANet）」は、一般的な屋内データセットであるNYUv2およびSUNRGB-D上で評価され、最先端の性能を達成しつつ、より高速な推論を実現することを示した。さらに、屋外データセットCityscapes上での評価により、本手法が他の応用分野にも適用可能であることが示された。最後に、ベンチマーク結果のみを提示するのではなく、屋内アプリケーションシナリオにおける定性的な結果も提示することで、実用性の高さを示した。