4D パノプティックセグメンテーションを不変および等変フィールド予測として

本論文では、4次元パノプティックセグメンテーションのための回転等変性ニューラルネットワークを開発します。4次元パノプティックセグメンテーションは、自動運転における基準タスクであり、LiDARスキャンに基づいて道路上のセマンティッククラスとオブジェクトインスタンスを認識し、時間的に一貫したIDを各インスタンスに割り当てる必要があります。我々は、走行シナリオが地上面での回転に対して対称であることを観察しました。したがって、回転等変性はより良い汎化性能と堅牢な特徴学習を提供する可能性があります。具体的には、オブジェクトインスタンスクラスタリング戦略を見直し、中心度ベースアプローチとオフセットベースアプローチを不変スカラーフィールドと等変ベクトルフィールドの予測として再定義します。他のサブタスクも同様の視点から統一され、異なる不変層と等変層が設計されてこれらの予測を支援します。SemanticKITTIの標準的な4次元パノプティックセグメンテーションベンチマークでの評価を通じて、我々の等変モデルが非等変モデルよりも高い精度で低計算コストを達成することを示しています。さらに、我々の方法は新しい最先端性能を樹立し、SemanticKITTI 4D パノプティックセグメンテーションリーダーボードで1位を獲得しました。