Selbstüberwachtes DeepLearning zur semantischen LiDAR-Segmentierung

Kurzfassung

Ziel dieser Arbeit ist die Untersuchung des Einflusses automatisch generierter Trainingslabels auf die Performance von Deep-Learning-Modellen zur semantischen LiDAR-Segmentierung. Hierzu wird ein Verfahren zur automatisierten Labelgenerierung entwickelt, bei dem semantische Segmentierungen von Kamerabildern auf LiDAR-Punktwolken projiziert werden. Die erzeugten Labels werden anschließend genutzt, um ein 3D-Segmentierungsmodell zu trainieren. Die Leistungsfähigkeit dieses Modells wird mit einem Modell verglichen, das auf manuell annotierten Daten trainiert wurde. Als Referenz dient dabei ein etablierter Datensatz für die LiDAR-Segmentierung. Ein weiterer Schwerpunkt der Arbeit liegt auf der Analyse der Qualität der automatisch generierten Labels, insbesondere im Hinblick auf Klasseninkonsistenzen und Projektionsartefakte. Darüber hinaus wird untersucht, welche Klassen besonders stark von automatischen Labeling-Fehlern betroffen sind.