[論文レビュー] Projected-point-based Segmentation: A New Paradigm for LiDAR Point Cloud Segmentation

Shijie Li, Yun Liu+1 more|arXiv (Cornell University)|Aug 10, 2020

Remote Sensing and LiDAR Applications参考文献 23被引用数 4

ひとこと要約

本稿では、LiDARスキャンの固有の順序性を活用することで、屋外環境におけるLiDARポイントクラウドに適応した、ポイントベース手法の新パラダイム「プロジェクションポイントベース分類」を提案する。ポイントワイド畳み込みと行列乗算のみを用いた投影画像上での計算により、単純なアーキテクチャでさえも、従来のポイントベース手法よりも高い精度と効率性を達成しており、SemanticKITTIベンチマークにおいて優れた性能を発揮する。

ABSTRACT

Most point-based semantic segmentation methods are designed for indoor scenarios, but many applications such as autonomous driving vehicles require accurate segmentation for outdoor scenarios. For this goal, light detection and ranging (LiDAR) sensors are often used to collect outdoor environmental data. The problem is that directly applying previous point-based segmentation methods to LiDAR point clouds usually leads to unsatisfactory results due to the domain gap between indoor and outdoor scenarios. To address such a domain gap, we propose a new paradigm, namely projected-point-based methods, to transform point-based methods to a suitable form for LiDAR point cloud segmentation by utilizing the characteristics of LiDAR point clouds. Specifically, we utilize the inherent ordered information of LiDAR points for point sampling and grouping, thus reducing unnecessary computation. All computations are carried out on the projected image, and there are only pointwise convolutions and matrix multiplication in projected-point-based methods. We compare projected-point-based methods with point-based methods on the challenging SemanticKITTI dataset, and experimental results demonstrate that projected-point-based methods achieve better accuracy than all baselines more efficiently. Even with a simple baseline architecture, projected-point-based methods perform favorably against previous state-of-the-art methods. The code will be released upon paper acceptance.

研究の動機と目的

• 屋内と屋外のLiDARポイントクラウド分類の間にあるドメインギャップに対処する。既存のポイントベース手法は屋外シナリオでは性能を発揮しない。
• LiDARスキャンに内在する順序構造を活用し、より効率的かつ正確な分類フレームワークを設計する。
• ポイントベースネットワークのための新たなパラダイム「プロジェクションポイントベース手法」を構築し、LiDARデータに適した適合性を高める。
• 最小限のアーキテクチャ的複雑性で、SemanticKITTIデータセットにおいて最先端の性能を達成する。

提案手法

• LiDARスキャンの固有の角度順序性を活用して、3次元LiDARポイントクラウドを2次元の投影画像に変換する。
• 投影画像の構造に基づいたポイントのサンプリングとグループ化を実施し、計算オーバーヘッドを低減する。
• すべての演算（ポイントワイド畳み込みと行列乗算）を、生の3次元座標ではなく、投影画像空間上で実行する。
• 投影画像表現を用いることで空間的関係を維持しつつ、効率的な計算を可能にする。
• 生の投影画像上で動作する軽量なネットワークを設計し、複雑な3次元演算を回避する。
• ポイントベースネットワークのシンプルさを保ちつつ、LiDAR固有のデータ順序性を活用するように変換する。

実験結果

リサーチクエスチョン

• RQ1 プロジェクションポイントベース手法は、屋内と屋外のLiDARポイントクラウド分類の間のドメインギャップを効果的に埋め合わせることができるか？
• RQ2 LiDARスキャンの固有の順序性を活用することで、標準のポイントベース手法と比較して、分類の効率性と精度がどのように向上するか？
• RQ3 単純なネットワークアーキテクチャを用いた場合、屋外LiDARデータにおけるプロジェクションポイントベース計算で、どの程度の競争力のある性能が達成可能か？
• RQ4 プロジェクション画像表現は、複雑な屋外シーンにおける正確なセマンティック分類に十分な幾何的情報を保持しているか？

主な発見

• プロジェクションポイントベース手法は、SemanticKITTIデータセットにおいて、すべてのポイントベースベースラインよりも高い精度を達成した。
• ポイントワイド畳み込みと行列乗算に限定することで、計算量の削減に起因し、優れた効率性を示した。
• 単純なネットワークアーキテクチャでさえも、SemanticKITTIベンチマークにおいて、以前の最先端手法を上回る性能を発揮した。
• 投影画像の使用により、LiDARの固有のスキャン順序性を効果的に活用し、サンプリングとグループ化の改善が可能になった。
• 屋外データの特性に適応することで、屋内と屋外の分類の間のドメインギャップを効果的に軽減した。
• 計算複雑性を最小限に抑えながらも高い性能を維持しており、リアルタイム応用に適している。