[論文レビュー] AFDet: Anchor Free One Stage 3D Object Detection

Runzhou Ge, Zhuangzhuang Ding+5 more|arXiv (Cornell University)|Jun 23, 2020

Advanced Neural Network Applications参考文献 38被引用数 96

ひとこと要約

AFDetはポイントクラウド向けのアンカーなし、NMSなしのワンステージ3D検 detectorを提供し、KITTIとWaymoの検証セットで組み込みシステムに優しい推論と競合する精度を実現します。

ABSTRACT

High-efficiency point cloud 3D object detection operated on embedded systems is important for many robotics applications including autonomous driving. Most previous works try to solve it using anchor-based detection methods which come with two drawbacks: post-processing is relatively complex and computationally expensive; tuning anchor parameters is tricky. We are the first to address these drawbacks with an anchor free and Non-Maximum Suppression free one stage detector called AFDet. The entire AFDet can be processed efficiently on a CNN accelerator or a GPU with the simplified post-processing. Without bells and whistles, our proposed AFDet performs competitively with other one stage anchor-based methods on KITTI validation set and Waymo Open Dataset validation set.

研究の動機と目的

• 組み込みシステム上での自動運転のための効率的な3D物体検出を動機づける。
• ポイントクラウド検出器のアンカー基づきおよびNMS基づく後処理の欠点を排除する。
• CNNアクセラレータやGPU上で動作できるエンドツーエンドのアンカーなし検出器を開発する。
• 標準ベンチマーク（KITTIとWaymo）で、単Stageのベースラインと比較して競争力の精度を示す。

提案手法

• PointPillarsを用いて点群をBEV疑似画像に符号化し、2D特徴マップを生成する。
• 5ヘッドのアンカーなし検出器を実装する：キーポイントヒートマップ、局所オフセット、Z軸位置、サイズ、向きのヘッド。
• BEVのオブジェクト中心をキーポイントヒートマップで予測し、局所オフセット回帰マップで中心を refine する。
• BEV中心からZ、サイズ、Yaw角予測を用いて構造化デコード手順で最終3Dボックスをデコードする。
• NMSをヒートマップ内の最大プーリングとANDベースのピーク検出に置換することで、高速でハードウェアに適した推論を実現する。
• 特徴マップのサイズを維持しつつ計算負荷を削減するよう改良されたバックボーンとネック設計を採用する。

実験結果

リサーチクエスチョン

• RQ1 アンカーなし・NMSなしの設計で標準ベンチマークにおいて競争力のある3D検出精度を達成できるか？
• RQ2 組み込みシステムに優しい設計（NMSなし、アンカーなし）は検出速度とリソース使用にどのような影響を与えるか？
• RQ3 ヒートマップの定式化とオフセット回帰領域が局在化と姿勢精度に与える影響は？
• RQ4 AFDetはKITTIとWaymoで、単段のアンカー式検出器と比べてどのようにパフォーマンスするか？

主な発見

• AFDetは、車検出のKITTI検証で、単段のベースラインと比較して3D APが競争力を発揮。
• AFDetの派生はWaymo検証セットで最先端の単段手法を上回る。
• モデルはパラメータが軽量で、CNNアクセラレータに適した簡略化された後処理で動作可能。
• 伝統的なNMSを最大プーリングとAND演算に置換することで、速度向上（組み込みシステムに優しい）を大幅に達成。
• ヒートマップ定式化を車の形状予測と複数半径のオフセットで行うことが、中心のみのオフセットより局在化精度を改善。
• Waymoの車両検出で、PointPillars-0.16を用いたAFDetはLEVEL_1でPointPillarsより約2%上回り、ボクセルサイズ0.10 mを用いるといくつかの最先端単段手法を上回る。