運転のためのセンシング学習：セマンティックセグメンテーションのための光学・センサー・モデルの共同設計

本論文では、光学、センサーモデリング、およびセマンティックセグメンテーションネットワークを共同設計することにより、自動運転認識への新しいアプローチを提示しています。従来のアプローチであるカメラ設計を知覚から分離することに異議を唱え、統合されたエンドツーエンドのパイプラインを提案します。主な革新は、RAW画像取得からセマンティックセグメンテーションまでのシステム全体を、タスク固有の目的のために最適化することにあります。KITTI-360の結果は、特に困難なクラスにおいて、mIoUの大幅な改善を示しています。コンパクトなモデルサイズと高いFPSは、実用的な展開可能性を示唆しています。この研究は、従来の人間中心の画像処理パイプラインを超えて、自動運転車のためにより効率的で堅牢な認識システムを作成するためのフルスタック共同最適化の可能性を強調しています。