[論文レビュー] FEC: Fast Euclidean Clustering for Point Cloud Segmentation

Yu Cao, Yancheng Wang+3 more|arXiv (Cornell University)|Aug 16, 2022

3D Shape Modeling and Analysis被引用数 5

ひとこと要約

本稿では、従来のクラスタ単位のループを点単位のスキームに置き換えることで、ポイントクラウドのインスタンスセグメンテーションを高速化する新規なポイント単位のクラスタリング手法であるFast Euclidean Clustering (FEC) を提案する。この手法によりkdツリー探索回数が削減され、EC や RG といった古典的手法に比べて最大100倍の高速化を達成しながらも、高いセグメンテーション精度を維持する。

ABSTRACT

Segmentation from point cloud data is essential in many applications such as remote sensing, mobile robots, or autonomous cars. However, the point clouds captured by the 3D range sensor are commonly sparse and unstructured, challenging efficient segmentation. In this paper, we present a fast solution to point cloud instance segmentation with small computational demands. To this end, we propose a novel fast Euclidean clustering (FEC) algorithm which applies a pointwise scheme over the clusterwise scheme used in existing works. Our approach is conceptually simple, easy to implement (40 lines in C++), and achieves two orders of magnitudes faster against the classical segmentation methods while producing high-quality results.

研究の動機と目的

• リアルタイムアプリケーションにおけるポイントクラウドのインスタンスセグメンテーションのための、効率的で計算量の少ない手法の不足を解決すること。
• ユークリッドクラスタリング（EC） や リージョングロービング（RG） といった従来の幾何学ベースのクラスタリング手法が、クラスタ単位のネストされたループに依存しているため、高い計算コストがかかる問題を克服すること。
• 処理速度を著しく向上させながらも、高いセグメンテーション品質を維持する手法を開発すること。特にCPUオンリーシステムにおいて有効であることを目的とする。
• GPUアクセラレーションを必要とせず、シーン固有の構造的仮定も行わない大規模ポイントクラウドのための高速でスケーラブルなインスタンスセグメンテーションを可能にすること。

提案手法

• クラスタ単位の反復ではなく、各ポイントを個別に処理する点単位のクラスタリングスキームを提案し、冗長なkdツリークエリを削減する。
• EC や RG における従来のクラスタ単位のループを、点単位のループに置き換えることで、各イテレーションにおける全ポイントの繰り返し走査を最小限に抑える。
• 効率的な近隣点探索のためのkdツリーを用いるが、点単位の更新戦略を活用することで、クエリ回数を著しく削減する。
• 複雑なデータ構造やメモリ集約的な操作を避ける、シンプルで軽量なC++コードベース（40行）を実装する。
• 学習ベースの手法との公平な比較のため、地面除去を前処理ステップとして統合するが、FECのコアアルゴリズム自体はシーンスケールやスキャンライン構造に依存しないように設計する。
• アルゴリズムが本質的に並列化可能であるように設計されており、現在はCPUオンリーアーキテクチャに限定されているが、将来的なGPUやマルチコアアクセラレーションの可能性を考慮している。

実験結果

リサーチクエスチョン

• RQ1 点単位のクラスタリングスキームは、従来のクラスタ単位のクラスタリングにおける計算オーバーヘッドを著しく削減できるか？
• RQ2 提案されたFEC手法は、EC や RG といった既存の幾何学ベースの手法に比べ、セグメンテーション精度を損なわずに顕著な高速化を達成できるか？
• RQ3 GPUアクセラレーションに依存する現代の学習ベースの3次元インスタンスセグメンテーションモデルと比較して、FECは性能と効率性において優れているか？
• RQ4 FECは、KITTIデータセットのような実世界の大規模ポイントクラウドにおいても、高品質なセグメンテーション結果を維持できるか？
• RQ5 ノイズが多い、またはスパarsなポイントクラウドデータに対して、FECは頑健であり、数百万ポイント規模のスケーリングにも効果的に対応できるか？

主な発見

• FECは、KITTIデータセットにおいて、ユークリッドクラスタリング（EC）、リージョングロービング（RG）、VoxelNet に比べ5倍の高速化を達成し、SGPNに比べ20倍の高速化を達成した。
• GPUアクセラレーションを用いるLiDARSegよりも、CPUのみを用いてもFECはほぼ5倍速く、VoxelNet よりも6倍速い。
• EC、RG、FEC といったすべての幾何学ベースの手法は、APが約62%という類似したインスタンスセグメンテーション精度を達成しており、LiDARSeg（AP 59%） や VoxelNet（AP 55.7%） といった学習ベースの手法をわずかに上回った。
• 2700万ポイントを含むKITTIシーケンスでは、FECは古典的手法のEC や RG に比べ100倍以上も高速にデータを処理した。
• 図9の定性的な結果から、FECは複雑な実世界のシーンにおいても高いセグメンテーション品質を維持していることが示された。
• 性能向上の要因は、ネストされたループにおける全ポイントの繰り返し走査を回避する点単位のスキームに起因する。