[논문 리뷰] CenterNet3D: An Anchor free Object Detector for Autonomous Driving.

Guojun Wang, Bin Tian외 4명|arXiv (Cornell University)|2020. 07. 13.

Advanced Neural Network Applications참고 문헌 38인용 수 24

한 줄 요약

CenterNet3D는 자율주행을 위한 앵커 기반 3D 객체 검출 방법을 제안하며, 객체를 중심점으로 모델링하고, 키포인트 추정과 직접 회귀를 통해 3D 경계 상자 예측을 수행한다. 희박한 점군에서 경계 인식을 향상시키기 위해 코너 주의 모듈을 도입함으로써, Non-Maximum Suppression 없이도 KITTI에서 경쟁적인 성능을 달성하여 앵커 기반 방법에 비해 효율성과 단순성을 향상시킨다.

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.

연구 동기 및 목표

• 점군에서 앵커 기반 3D 객체 검출의 비효율성과 복잡성을 제거하기 위해.
• 특히 객체 경계 근처에서 중심점 추정이 어려운 희박한 점군의 과제를 해결하기 위해.
• 실시간 성능와 높은 정확도를 유지하면서도 단일 단계, Non-Maximum Suppression 없이 작동하는 검출기를 개발하기 위해.
• 보조 주의 모듈을 통해 객체 경계에서의 특징 학습을 강화하여 경계 상자 회귀를 향상시키기 위해.
• 중심점 표현이 앵커 없이도 3D 검출 작업에서 경쟁적인 성능을 달성할 수 있음을 입증하기 위해.

제안 방법

• 네트워크는 각 3D 객체를 경계 상자의 중심을 나타내는 단일 키포인트로 모델링하고, 검출을 위해 키포인트 히트맵 추정을 사용한다.
• 앵커 제안 없이 예측된 중심점에서 3D 경계 상자 매개변수(중심, 크기, 방향)를 직접 회귀한다.
• 보조 코너 주의 모듈을 도입하여 CNN 백본이 객체 경계 영역에 집중하도록 유도함으로써, 희박한 점군에서의 정확도를 향상시킨다.
• 키포인트 히트맵 손실과 경계 상자 매개변수에 대한 회귀 손실을 사용하여 엔드 투 엔드 방식으로 네트워크를 훈련시킨다.
• Non-Maximum Suppression 없이 설계되어 추론 파이프라인을 단순화하고 속도를 향상시킨다.
• 객체 모서리 근처의 특징을 강조하는 주의 메커니즘을 통해 백본의 특징을 강화한다.

실험 결과

연구 질문

• RQ1 중심점 기반 표현이 앵커 제안 없이도 경쟁적인 3D 객체 검출 성능을 달성할 수 있는가?
• RQ2 점군의 본질적 희박성은 어떻게 완화할 수 있으며, 특히 객체 경계 근처에서 중심점 정확도를 향상시킬 수 있는가?
• RQ3 보조 코너 주의 모듈이 희박한 3D 점군 환경에서 검출 정확도를 어느 정도 향상시키는가?
• RQ4 앵커 기반, NMS 없는 검출기는 실시간 추론 속도를 유지하면서도 높은 정확도를 달성할 수 있는가?
• RQ5 기본 기준 벤치마크인 KITTI에서 제안된 방법은 최신 앵커 기반 단일 단계 검출기와 어떻게 비교되는가?

주요 결과

• CenterNet3D는 KITTI 벤치마크에서 최신 앵커 기반 단일 단계 검출기와 맞먹거나 이를 초월하는 경쟁적인 3D 객체 검출 성능을 달성한다.
• 코너 주의 모듈의 도입으로 객체 경계에서의 특징 학습이 향상되어 정위치 정확도가 크게 향상된다.
• 앵커 기반 설계로 인해 Non-Maximum Suppression가 필요 없어져 추론 파이프라인을 단순화하고 계산 효율성을 향상시킨다.
• 주의 메커니즘을 통해 경계 관련 특징에 집중함으로써, 희박한 점군 환경에서도 강건한 성능을 보여준다.
• 중심점에서 3D 경계 상자를 직접 회귀함으로써, 앵커 기반 방법이 후처리가 필요한 것보다 더 빠른 추론을 가능하게 한다.
• 주의 강화된 특징 학습 덕분에 낮은 점 밀도 환경에서도 높은 정확도를 유지한다.