NRSeg:通过驱动世界模型进行 BEV 语义细分的噪音弹性学习

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 机器人技术 机器人技术 机器人技术

背景情况:

• 鸟视图 (BEV) 语义细分对于自动驾驶感知至关重要.
• 目前的无监督和半监督方法在同质标记数据分布方面扎.
• 合成数据提供了潜力,但受到生成噪声的阻碍.

研究的目的:

• 开发一个耐噪声学习框架 (NRSeg) 以实现强大的BEV语义细分.
• 利用来自世界模型的合成数据来增强标记数据的多样性.
• 为了提高自动驾驶感知系统的性能.

主要方法:

• 拟议的NRSeg框架与视角-几何一致度指标 (PGCM) 用于评估合成数据.
• 实现双分布并行预测 (BiDPP) 用于模型稳定性和不确定性量化.
• 引入了层次局部语义排除 (HLSE) 模块,用于细分中的非相互排他性.

主要成果:

• 在 BEV 语义细分任务上,NRSeg 实现了最先进的性能.
• 在整个欧盟 (mIoU) 的平均交叉路口显著改善:13.8% (无监督) 和11.4% (半监督).
• 在多个世界模型和nuScenes数据集上证明了有效性.

结论:

• NRSeg有效地利用合成数据进行强大的BEV语义细分.
• 拟议的框架克服了生产噪声和数据均性的局限性.
• NRSeg显著提高了自动驾驶感知系统的能力.