[論文レビュー] CenterNet3D: An Anchor free Object Detector for Autonomous Driving.

Guojun Wang, Bin Tian+4 more|arXiv (Cornell University)|Jul 13, 2020

Advanced Neural Network Applications参考文献 38被引用数 24

ひとこと要約

CenterNet3Dは、自動運転を想定したアンカー不要な3次元物体検出手法を提案する。物体を中心点としてモデル化し、キーポイント推定と直接回帰を用いて3次元バウンディングボックスを予測する。スパースなポイントクラウドにおける境界認識を向上させるためにコーナーアテンションモジュールを導入することで、非最大抑制（NMS）を用いないKITT上でも競争力ある性能を達成し、アンカーに基づく手法に比べて効率性とシンプルさが向上する。

ABSTRACT

Accurate and fast 3D object detection from point clouds is a key task in autonomous driving. Existing one-stage 3D object detection methods can achieve real-time performance, however, they are dominated by anchor-based detectors which are inefficient and require additional post-processing. In this paper, we eliminate anchors and model an object as a single point the center point of its bounding box. Based on the center point, we propose an anchor-free CenterNet3D Network that performs 3D object detection without anchors. Our CenterNet3D uses keypoint estimation to find center points and directly regresses 3D bounding boxes. However, because inherent sparsity of point clouds, 3D object center points are likely to be in empty space which makes it difficult to estimate accurate boundary. To solve this issue, we propose an auxiliary corner attention module to enforce the CNN backbone to pay more attention to object boundaries which is effective to obtain more accurate bounding boxes. Besides, our CenterNet3D is Non-Maximum Suppression free which makes it more efficient and simpler. On the KITTI benchmark, our proposed CenterNet3D achieves competitive performance with other one stage anchor-based methods which show the efficacy of our proposed center point representation.

研究の動機と目的

• ポイントクラウドにおけるアンカーベースの3次元物体検出の非効率性と複雑さを解消すること。
• 特に物体境界付近で困難となるスパースなポイントクラウドにおける正確な中心点推定の課題に対処すること。
• リアルタイム性能を維持しながら高精度を達成する1段階型でNMSフリーの検出器を開発すること。
• 補助アテンションモジュールによる物体境界における特徴学習の強化を通じて、バウンディングボックス回帰を改善すること。
• 中心点表現がアンカーに依存しない3次元検出タスクにおいても競争力ある性能を達成できることを示すこと。

提案手法

• ネットワークは、各3次元物体をバウンディングボックスの中心を表す1つのキーポイントとしてモデル化し、キーポイントヒートマップ推定を用いて検出を行う。
• アンカープロポーザルを用いずに、予測された中心点から3次元バウンディングボックスパラメータ（中心、サイズ、方向）を直接回帰する。
• CNNバックボーンが物体境界領域に注目できるように、補助的なコーナーアテンションモジュールを導入し、スパースなポイントクラウドにおける局所化精度を向上させる。
• キーポイントヒートマップ損失とバウンディングボックスパラメータの回帰損失を用いて、エンドツーエンドで学習を行う。
• 非最大抑制フリーの設計により、推論パイプラインを単純化し、計算効率を向上させる。
• 物体のコーナー付近の特徴を強調するアテンション機構により、バックボーンの特徴が強化される。

実験結果

リサーチクエスチョン

• RQ1 アンカープロポーザルに依存しない中心点ベースの表現が、3次元物体検出タスクで競争力ある性能を達成できるか？
• RQ2 ポイントクラウド固有のスパarsityが、特に物体境界付近での中心点局所化精度に与える影響をどのように軽減できるか？
• RQ3 補助的なコーナーアテンションモジュールが、スパースな3次元ポイントクラウド環境下でどの程度検出精度を向上させるか？
• RQ4 アンカー不要でNMSフリーの検出器は、高精度を維持しながらリアルタイム推論速度を達成できるか？
• RQ5 標準ベンチマーク（KITTIなど）において、提案手法は最先端のアンカーベースの1段階型検出器と比べてどの程度の性能を示すか？

主な発見

• CenterNet3DはKITTIベンチマーク上で競争力ある3次元物体検出性能を達成し、最先端のアンカーベースの1段階型検出器と同等またはそれを上回る。
• コーナーアテンションモジュールの導入により、物体境界における特徴学習が強化され、局所化精度が顕著に向上した。
• アンカー不要な設計により、非最大抑制の必要がなくなり、推論パイプラインが単純化され、計算効率が向上した。
• アテンション機構による境界関連特徴の強調により、スパースなポイントクラウド環境下でも頑健な性能を示した。
• 中心点から直接バウンディングボックスを回帰する設計により、アンカーベース手法の後処理を要しない高速な推論が可能になった。
• アテンション強化による特徴学習のおかげで、点密度が低い困難な状況下でも高い精度を維持した。