[論文レビュー] Dynamic Edge Weights in Graph Neural Networks for 3D Object Detection

Sumesh Thakur, Jiju Peethambaran|arXiv (Cornell University)|Sep 17, 2020

Advanced Neural Network Applications参考文献 28被引用数 5

ひとこと要約

本稿では、距離に敏感なボクセル化とマスク付きアテンションを用いて、空間的および特徴類似性に基づき、近隣特徴の重みを動的に重み付けする、動的エッジ重み付きグラフニューラルネットワーク（GNN）を提案する。この手法は、KITTIベンチマークで競争力ある3D APスコアを達成し、特定のカテゴリにおいて多数の最先端モデルを上回る性能を示している。

ABSTRACT

A robust and accurate 3D detection system is an integral part of autonomous vehicles. Traditionally, a majority of 3D object detection algorithms focus on processing 3D point clouds using voxel grids or bird's eye view (BEV). Recent works, however, demonstrate the utilization of the graph neural network (GNN) as a promising approach to 3D object detection. In this work, we propose an attention based feature aggregation technique in GNN for detecting objects in LiDAR scan. We first employ a distance-aware down-sampling scheme that not only enhances the algorithmic performance but also retains maximum geometric features of objects even if they lie far from the sensor. In each layer of the GNN, apart from the linear transformation which maps the per node input features to the corresponding higher level features, a per node masked attention by specifying different weights to different nodes in its first ring neighborhood is also performed. The masked attention implicitly accounts for the underlying neighborhood graph structure of every node and also eliminates the need of costly matrix operations thereby improving the detection accuracy without compromising the performance. The experiments on KITTI dataset show that our method yields comparable results for 3D object detection.

研究の動機と目的

• 自動運転における3次元物体検出の精度を向上させるために、LiDAR点群にグラフニューラルネットワークを活用すること。
• ボクセルベースおよびビーディーエイ（BEV）表現の限界を克服するため、幾何構造を保持するグラフベースのアプローチを採用すること。
• 相対座標および特徴類似性に基づき、エッジの重みを動的に重み付けすることで、GNNにおける特徴集約を向上させること。
• 遠くの物体の特徴を保持するための距離に敏感なダウンサンプリング戦略を開発すること。
• KITTIデータセットを用いたアブレーションスタディを通じて、提案されたアテンション機構およびダウンサンプリング手法の有効性を評価すること。

提案手法

• センサからの距離に応じてサイズを変化させるボクセルを用いた距離に敏感なダウンサンプリングアルゴリズムを導入し、遠くの物体の幾何的特徴を保持する。
• ダウンサンプリングされた点群からグラフを構築し、各点をノードとし、エッジは近隣関係を表す。
• マスク付きアテンション機構により、隣接ノード間の相対座標および特徴類似性に基づき、動的エッジ重みを割り当てる。
• 各GNN層における特徴集約は、学習されたアテンション重みを用いてノード特徴を組み合わせ、高価な行列演算を回避する。
• GNNアーキテクチャは複数層をスタックし、物体検出のためのノード表現を段階的に精錬する。
• 最終的な検出出力は、精錬されたノード特徴から3次元バウンディングボックスおよびクラスラベルを予測するヘッドネットワークによって生成される。

実験結果

リサーチクエスチョン

• RQ1 相対座標および特徴類似性に基づく動的エッジ重み付きGNNは、ボクセルベース手法と比較して、LiDAR点群における3次元物体検出性能を向上させることができるか？
• RQ2 距離に敏感なダウンサンプリングは、点群における遠くの物体やスパarsな物体の検出精度にどのように影響するか？
• RQ3 相対的な空間的および特徴的距離に基づくアテンションベースの特徴集約は、検出性能をどの程度向上させるか？
• RQ4 GNN層の数が検出精度および過学習に与える影響は何か？
• RQ5 KITTIベンチマークにおいて、既存の最先端3次元物体検出器と比較して、本手法の推論速度と精度はどのように異なるか？

主な発見

• 提案手法は、KITTI検証セットにおける車両カテゴリのエイジル難易度で3D平均精度（AP）83.54％を達成し、最先端モデルと同等の性能を示している。
• モダレート難易度では74.47％の3D APを達成し、MV3DやF-PointNetを上回り、PointGNNと同等の性能を示している。
• ビーディーエイ（BEV）検出では、エイジル難易度で90.12％のAPを達成し、PointGNNを含む多数のベースラインを上回っている。
• アブレーションスタディの結果、3層のGNNで性能がピーク（83.54％の3D AP）に達し、4層に増加するとわずかに低下するため、過学習の可能性が示唆された。
• 最終予測の推論時間は15 msであり、前処理およびグラフ構築を含む1サンプルあたりの合計処理時間は502 msで、リアルタイムデプロイメントに適している。
• KITTIベンチマークにおいて、歩行者検出ではAVODを上回り、車両検出ではMV3Dを上回る性能を示しており、物体カテゴリにわたる頑健性が確認された。