BAEFormer：鳥瞰図セマンティックセグメンテーションのための双向および早期相互作用Transformer

鳥瞰図（Bird's Eye View, BEV）におけるセマンティックセグメンテーションは、自動運転分野において重要なタスクである。しかし、従来のTransformerベースの手法は、視点変換における単方向的かつ後向きの相互作用メカニズムにより、パースペクティブビュー（Perspective View, PV）からBEVへの変換に課題を抱えている。この問題に対処するため、本研究では新たな双方向的かつ早期相互作用型TransformerフレームワークであるBAEFormerを提案する。本フレームワークは、(i) 早期相互作用型のPV-BEVパイプラインと、(ii) 双方向クロスアテンション機構の2つの主要構成要素からなる。さらに、クロスアテンションモジュールにおける画像特徴マップの解像度が最終的な性能に及ぼす影響は限定的であることを発見した。この重要な観察に基づき、入力画像のサイズを拡大し、多視点画像特徴をダウンサンプリングしてクロス相互作用を行う手法を提案することで、計算量を制御しつつ精度をさらに向上させた。本研究で提案するBEVセマンティックセグメンテーション手法は、nuScenesデータセットにおいてリアルタイム推論速度で最先端の性能を達成し、単一のA100 GPU上で45 FPSの推論速度で38.9 mIoUを実現した。