[논문 리뷰] GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments.

Tianrui Guan, Divya Kothandaraman외 2명|arXiv (Cornell University)|2021. 03. 07.

Advanced Neural Network Applications참고 문헌 37인용 수 9

한 줄 요약

GANav는 RGB 이미지를 사용하여 비정형 외부 환경에서 주행 가능한 영역을 분류하기 위해 그룹별 어텐션 트랜스포머 네트워크를 제안한다. 그룹별 어텐션과 동적 가중 카오스 엔트로피 손실을 활용함으로써 주행 가능성 세그먼테이션 정확도를 향상시켜, 최신 기술 대비 RUGD에서 mIoU가 6.74–39.1% 향상되었고, RELLIS-3D에서는 3.82–10.64% 향상되었다.

ABSTRACT

We present a new learning-based method for identifying safe and navigable regions in off-road terrains and unstructured environments from RGB images. Our approach consists of classifying groups of terrain classes based on their navigability levels using coarse-grained semantic segmentation. We propose a bottleneck transformer-based deep neural network architecture that uses a novel group-wise attention mechanism to distinguish between navigability levels of different terrains.Our group-wise attention heads enable the network to explicitly focus on the different groups and improve the accuracy. In addition, we propose a dynamic weighted cross entropy loss function to handle the long-tailed nature of the dataset. We show through extensive evaluations on the RUGD and RELLIS-3D datasets that our learning algorithm improves the accuracy of visual perception in off-road terrains for navigation. We compare our approach with prior work on these datasets and achieve an improvement over the state-of-the-art mIoU by 6.74-39.1% on RUGD and 3.82-10.64% on RELLIS-3D.

연구 동기 및 목표

• 비정형 외부 지형에서 RGB 이미지를 사용하여 주행 가능한 영역의 시각적 인식을 향상시키기 위해.
• 산악 주행 데이터셋에서 지형 클래스의 장꼬리 분포 문제를 해결하기 위해.
• 지형 그룹 간의 주행 가능성 수준을 명시적으로 모델링하여 세그먼테이션 정확도를 향상시키기 위해.
• 지형 클래스 간의 계층적 관계를 포착할 수 있는 딥 러닝 아키텍처를 개발하기 위해.

제안 방법

• 다양한 지형 그룹에 집중할 수 있도록 새로운 그룹별 어텐션 메커니즘을 갖춘 브로치 트랜스포머 기반 신경망을 제안한다.
• 학습 데이터의 장꼬리 분포 영향을 줄이기 위해 동적 가중 카오스 엔트로피 손실 함수를 설계한다.
• 거시적 의미 세그먼테이션을 사용하여 주행 가능성 수준에 따라 지형 영역을 분류한다.
• 지형 클래스를 주행 가능성 수준에 따라 그룹화하여 어텐션을 이끌고 일반화 성능을 향상시킨다.
• 특징 표현 학습 중에 서로 다른 지형 그룹화에 명시적으로 어텐션을 기울이기 위해 그룹별 어텐션 헤드를 통합한다.
• 실세계 산악 주행 시나리오에서의 성능을 평가하기 위해 RUGD 및 RELLIS-3D 데이터셋에서 모델을 훈련하고 평가한다.

실험 결과

연구 질문

• RQ1 그룹별 어텐션 메커니즘이 비정형 외부 환경에서 주행 가능성 분류 정확도를 향상시킬 수 있는가?
• RQ2 동적 가중 카오스 엔트로피 손실은 장꼬리 분포를 보이는 지형 데이터셋에서 모델 성능에 어떤 영향을 미치는가?
• RQ3 제안된 아키텍처는 RUGD 및 RELLIS-3D에서 기존 최신 기술 대비 어느 정도 뛰어난 성능을 보이는가?
• RQ4 지형 클래스를 주행 가능성 그룹으로 모델링하면 세그먼테이션의 일반화 및 강건성 향상에 기여하는가?

주요 결과

• GANav는 최신 기술 대비 RUGD 데이터셋에서 평균 교차율(mIoU)을 6.74–39.1% 향상시켰다.
• RELLIS-3D 데이터셋에서는 이전 접근 방식 대비 mIoU를 3.82–10.64% 향상시켰다.
• 그룹별 어텐션 메커니즘이 명시적으로 다양한 지형 그룹에 집중함으로써 특징 구분 능력을 향상시켰다.
• 동적 가중 카오스 엔트로피 손실은 장꼬리 분포로 인한 성능 저하를 효과적으로 완화시켰다.
• 두 개의 벤치마크 데이터셋에서의 검증을 통해 다양한 산악 환경에서 강력한 일반화 능력을 보였다.
• 제안된 아키텍처는 RGB 입력만을 사용함에도 불구하고 산악 주행을 위한 시각적 인식에서 최신 기술 수준의 성능을 달성했다.