[논문 리뷰] FEC: Fast Euclidean Clustering for Point Cloud Segmentation

Yu Cao, Yancheng Wang외 3명|arXiv (Cornell University)|2022. 08. 16.

3D Shape Modeling and Analysis인용 수 5

한 줄 요약

이 논문은 빠른 유클리드 클러스터링(Fast Euclidean Clustering, FEC)을 제안하며, 기존의 클러스터 기반 루프를 점수 기반 루프로 대체하여 포인트 클라우드 인스턴스 세그멘테이션을 가속화하는 새로운 점별 클러스터링 알고리즘을 개발한다. 이로 인해 kd-트리 검색 호출 수가 감소하고, 기존의 EC 및 RG와 같은 전통적 방법 대비 최대 100배의 속도 향상을 달성하면서도 높은 세그멘테이션 정확도를 유지한다.

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.

연구 동기 및 목표

• 실시간 응용 분야에서 효율적이고 계산량이 적은 포인트 클라우드 인스턴스 세그멘테이션 방법의 부족을 해결한다.
• 유럽 클러스터링(EC) 및 영역 성장(RG)과 같은 기존 기하 기반 클러스터링 방법이 클러스터 기반 이중 루프에 의존함으로써 발생하는 높은 계산 비용을 해결한다.
• 처리 속도를 크게 향상시키면서도 높은 세그멘테이션 품질을 유지하는 방법을 개발한다. 특히 GPU 가속을 요구하지 않는 CPU 전용 시스템에서의 적용을 고려한다.
• GPU 가속을 요구하지 않으며 장면 특성에 따라 구조적 가정을 하지 않는 대규모 포인트 클라우드에 대해 빠르고 확장 가능한 인스턴스 세그멘테이션을 가능하게 한다.

제안 방법

• 클러스터 기반 대신 각 점을 개별적으로 처리하는 점별 클러스터링 방식을 제안하여 반복적인 kd-트리 쿼리 수를 줄인다.
• EC 및 RG에서 전통적으로 사용하는 클러스터 기반 루프를 점별 루프로 대체함으로써 각 반복에서 모든 점을 반복적으로 탐색하는 것을 최소화한다.
• 효율적인 근접 이웃 검색을 위해 kd-트리를 사용하지만, 점별 업데이트 전략을 활용해 호출 횟수를 극적으로 감소시킨다.
• 복잡한 데이터 구조나 메모리 집약적인 연산을 피한 간단하고 경량화된 C++ 코드베이스(40줄)를 구현한다.
• 학습 기반 방법과의 공정한 비교를 위해 지면 제거를 사전 처리 단계로 통합하지만, 핵심 FEC 알고리즘은 장면 규모나 스캔 라인 구조에 영향을 받지 않는다.
• 알고리즘 설계 시 본질적으로 병렬화 가능하도록 구성되어 있어, 현재 CPU 전용 구현이지만 향후 GPU 또는 다중 코어 가속을 고려할 수 있다.

실험 결과

연구 질문

• RQ1 점별 클러스터링 방식이 기존 클러스터 기반 클러스터링의 계산 오버헤드를 상당히 줄일 수 있는가?
• RQ2 제안된 FEC 방법이 세그멘테이션 정확도를 희생시키지 않고도 기존 기하 기반 방법(EC 및 RG)에 비해 상당한 속도 향상을 달성할 수 있는가?
• RQ3 GPU 가속에 의존하는 현대적인 학습 기반 3D 인스턴스 세그멘테이션 모델과 비교해 FEC는 성능 및 효율성 면에서 어떤가?
• RQ4 FEC는 KITTI 데이터셋과 같은 실제 세계의 대규모 포인트 클라우드에서 높은 품질의 세그멘테이션 결과를 유지할 수 있는가?
• RQ5 제안된 방법은 노이즈가 많거나 흐린 포인트 클라우드 데이터에 대해 강건한가? 또한 수백만 개의 점에 대해 효과적으로 스케일링 가능한가?

주요 결과

• FEC는 KITTI 데이터셋에서 유럽 클러스터링(EC), 영역 성장(RG), VoxelNet에 비해 5배 빠르며, SGPN에 비해 20배 빠르다.
• GPU 가속을 사용하는 LiDARSeg보다도 CPU만을 사용함에도 불구하고 FEC는 거의 5배 빠르며, VoxelNet보다는 6배 더 빠르다.
• 모든 기하 기반 방법(EC, RG, FEC)은 유사한 인스턴스 세그멘테이션 정확도를 보이며, AP 약 62%를 기록한다. 이는 LiDARSeg(AP 59%) 및 VoxelNet(AP 55.7%)와 비교해 약간 뛰어나다.
• 2700만 개의 점을 포함하는 KITTI 시퀀스에서 FEC는 기존의 EC 및 RG 방법보다 100배 이상 더 빠르게 데이터를 처리한다.
• 실제로 복잡한 장면에서도 고성능 세그멘테이션 결과를 유지함을 그림 9의 정성적 결과로 입증했다.
• 성능 향상의 원인은 점별 방식 덕분이며, 이는 중첩 루프에서의 전체 점 재탐색을 피함으로써 kd-트리 검색 호출 수를 줄이기 때문이다.