[論文レビュー] Voxel-FPN: multi-scale voxel feature aggregation in 3D object detection from point clouds

Bei Wang, Jianping An+1 more|arXiv (Cornell University)|Jun 28, 2019

Advanced Neural Network Applications参考文献 25被引用数 40

ひとこと要約

Voxel-FPNは、ボトムアップのエンコーダとトップダウンのデコーダを備えたマルチスケールのボクセル特徴量集約を用いたワンステージの3D物体検出器を導入し、LIDARの点群からの特徴抽出を向上させます。

ABSTRACT

Object detection in point cloud data is one of the key components in computer vision systems, especially for autonomous driving applications. In this work, we present Voxel-FPN, a novel one-stage 3D object detector that utilizes raw data from LIDAR sensors only. The core framework consists of an encoder network and a corresponding decoder followed by a region proposal network. Encoder extracts multi-scale voxel information in a bottom-up manner while decoder fuses multiple feature maps from various scales in a top-down way. Extensive experiments show that the proposed method has better performance on extracting features from point data and demonstrates its superiority over some baselines on the challenging KITTI-3D benchmark, obtaining good performance on both speed and accuracy in real-world scenarios.

研究の動機と目的

• 生データのLIDAR点群からの特徴抽出を改善する動機づけ。
• マルチスケール特徴量集合を用いたボクセルベースのエンコーダ-デコーダフレームワークを提案する。
• KITTI-3Dベンチマークでベースラインに対する利点を示す。
• 実世界の自動運転における速度と精度の点で効率性を確保する。
• ボトムアップのマルチスケールエンコーディングとトップダウン融合の有効性を強調する。

提案手法

• ボクセルベースのエンコーダを開発し、ボトムアップの方法でマルチスケールのボクセル情報を抽出する。
• さまざまなスケールからのマルチスケール特徴マップをトップダウン方式で融合するデコーダを作成する。
• エンコーダ-デコーダを1段階検出のためのRegion Proposal Networkと統合する。
• KITTI-3Dベンチマークでアプローチを評価し、ベースラインと比較して速度と精度を比較する。
• LIDARセンサーのみからの生データ利用を強調する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールのボクセル特徴量集約は、ポイントクラウドからの3D物体検出をベースラインと比較して改善しますか？
• RQ2 ボトムアップエンコーダとトップダウンデコーダは、複数のスケールのボクセル特徴を効果的に融合して正確な提案生成を行いますか？
• RQ3 この手法はKITTI-3Dでの実世界の自動運転シナリオに対して十分な効率性がありますか？
• RQ4 速度と精度のトレードオフにおいて、Voxel-FPNはベースラインに対してどのように性能しますか？

主な発見

• 提案手法は点データからの特徴抽出をより良く実現します。
• KITTI-3Dベンチマークでいくつかのベースラインに対して優位性を示します。
• このアプローチは実世界のシナリオで速度と精度のバランスを取ります。