SalsaNext: 자율 주행을 위한 빠르고 불확실성 인식 기반의 LiDAR 포인트 클라우드 의미 분할

본 논문에서는 실시간으로 전체 3D LiDAR 포인트 클라우드의 불확실성 인식 의미 분할을 위한 SalsaNext를 소개합니다. SalsaNext는 인코더-디코더 구조를 가진 SalsaNet [1]의 다음 버전으로, 인코더 유닛은 ResNet 블록 집합을 가지고 있으며 디코더 부분은 잔차 블록에서 업샘플링된 특징들을 결합합니다. SalsaNet과 달리, 우리는 새로운 컨텍스트 모듈을 도입하고, 점점 확장되는 수용 영역을 가진 새로운 잔차 희소화된 합성곱 스택으로 ResNet 인코더 블록을 대체하며, 디코더에 픽셀 셔플 레이어를 추가하였습니다. 또한, 스트라이드 합성곱에서 평균 풀링으로 전환하였으며 중앙 드롭아웃 처리도 적용하였습니다. Jaccard 지수를 직접 최적화하기 위해, 우리는 가중 크로스엔트로피 손실 함수와 Lovasz-Softmax 손실 함수 [2]를 결합하였습니다. 마지막으로, 베이지안 접근법을 사용하여 클라우드 내 각 포인트의 에피스테믹 및 알레아토릭 불확실성을 계산하였습니다.Semantic-KITTI 데이터셋 [3]에서 철저한 정량적 평가를 제공하며, 이는 제안된 SalsaNext가 다른 최신 의미 분할 네트워크보다 우수하며 Semantic-KITTI 리더보드에서 1위를 차지함을 입증합니다. 또한 우리의 소스 코드를 공개합니다: https://github.com/TiagoCortinhal/SalsaNext.주석:- "residual dilated convolution stack"는 "잔차 희소화된 합성곱 스택"으로 번역되었습니다.- "receptive fields"는 "수용 영역"으로 번역되었습니다.- "pixel-shuffle layer"는 "픽셀 셔플 레이어"로 번역되었습니다.- "central dropout treatment"는 "중앙 드롭아웃 처리"로 번역되었습니다.- "epistemic and aleatoric uncertainties"는 "에피스테믹 및 알레아토릭 불확실성"으로 번역되었습니다.