[논문 리뷰] Pillar-based Object Detection for Autonomous Driving

Yue Wang, Alireza Fathi외 5명|arXiv (Cornell University)|2020. 07. 20.

Advanced Neural Network Applications참고 문헌 53인용 수 29

한 줄 요약

이 논문은 자율주행을 위한 기둥 기반, 앵커 기반 3D 객체 검출 프레임워크를 제안하며, 앵커 할당으로 인한 초모수 감도와 클래스 불균형 문제를 제거하기 위해 각 기둥별로 바운딩 박스를 직접 예측한다. 새롭게 제안된 원통형 투영을 조망으로 사용하고, 기둥에서 점으로의 특징 투영에 이중선형 보간을 적용함으로써 최신 기술 수준의 성능을 달성하였으며, 이전 방법 대비 Waymo Open Dataset에서 3D mAP가 6.87점, 2D mAP가 6.71점 향상되었다.

ABSTRACT

We present a simple and flexible object detection framework optimized for autonomous driving. Building on the observation that point clouds in this application are extremely sparse, we propose a practical pillar-based approach to fix the imbalance issue caused by anchors. In particular, our algorithm incorporates a cylindrical projection into multi-view feature learning, predicts bounding box parameters per pillar rather than per point or per anchor, and includes an aligned pillar-to-point projection module to improve the final prediction. Our anchor-free approach avoids hyperparameter search associated with past methods, simplifying 3D object detection while significantly improving upon state-of-the-art.

연구 동기 및 목표

• 앵커 기반 3D 객체 검출의 한계, 즉 초모수 민감도와 희박한 양성 앵커로 인한 클래스 불균형 문제를 해결하기 위해.
• 앵커나 점이 아닌 각 기둥별로 바운딩 박스 파라미터를 직접 예측함으로써 더 단순하고 효율적인 검출 파이프라인을 개발하기 위해.
• 조망 간 특징 학습을 향상시키기 위해 조망 간의 최적의 보완 시점(조망)을 식별하고, 왜곡과 가림을 최소화하기 위해.
• 이중선형 보간을 통해 기둥에서 점으로의 특징 투영에서 공간 앨리어싱을 줄여 특징 정렬과 예측 정확도를 향상시키기 위해.
• 최소한의 아키텍처 복잡성과 앵커 초모수 조정 없이도 대규모 자율주행 벤치마크에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• 모델은 기러기의 눈금에서의 고정 격자 셀 내 3D 점들을 집계하는 방식으로 희박한 점군을 기둥 기반 표현으로 사용한다.
• 다중 조망 특징 학습 모듈은 기러기의 눈금 조망과 새로운 원통형 조망의 특징을 통합하며, 구형 투영에서 나타나는 Z축 왜곡을 피한다.
• 핵심 검출 헤드는 각 기둥별로 바운딩 박스 파라미터(중심, 크기, 방향)를 직접 예측하여 앵커 할당이 필요 없고 초모수 복잡도가 감소한다.
• 기존의 기둥에서 점으로의 특징 투영 모듈은 이중선형 보간을 사용하여 다중 조망 특징을 기둥에서 개별 점으로 전달하며, 양자화 및 앨리어싱 오차를 줄인다.
• 모델은 표준 3D 및 2D mAP 지표를 사용하여 IoU 임계값 0.7로 Waymo Open Dataset에서 학습 및 평가된다.
• 절단 실험은 시점 조합, 보간 방법, 구성 요소 기여도를 비교하여 설계 선택의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 앵커 기반 대신 기둥 기반으로 바운딩 박스 파라미터를 예측할 경우 자율주행 3D 객체 검출에서 성능 향상과 초모수 조정 감소가 이루어지는가?
• RQ2 기러기의 눈금 조망 3D 검출에서 다중 조망 특징 학습을 위해 원통형 투영이 구형 또는 XZ 조망보다 더 나은 보완 조망인가?
• RQ3 기둥에서 점으로의 특징 투영에서 이중선형 보간이 이웃 최소점 보간보다 공간 앨리어싱을 줄이고 검출 정확도를 향상시키는가?
• RQ4 완전히 기둥 기반, 앵커 기반의 검출 프레임워크가 대규모 자율주행 벤치마크에서 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ5 희박한 3D 점군 시나리오에서 검출 성능을 극대화하기 위해 최적의 시점 조합과 특징 융합 전략은 무엇인가?

주요 결과

• 제안된 기둥 기반, 앵커 기반 3D 객체 검출 모델은 최고의 앵커 기반 모델 대비 Waymo Open Dataset에서 3D mAP가 6.87점 향상되고 2D mAP가 6.71점 향상되었다.
• 기러기의 눈금 조망과 원통형 조망의 조합이 모든 다른 조합(구형, XZ 조망 포함)보다 우수한 성능을 보였으며, Z축 왜곡 감소와 더 나은 커버리지로 인해 성능 향상이 이루어졌다.
• 기둥에서 점으로의 투영에서 이중선형 보간은 성능 향상이 뚜렷하게 이루어졌으며, 3D mAP에서 2.44점 향상된 성과를 보이며 이웃 최소점 보간을 능가했다.
• 절단 실험 결과 기둥 기반 예측 헤드만으로도 다른 구성 요소 없이도 앵커 기반 기준보다 성능 향상이 이루어졌다.
• 원통형 조망은 구형 조망보다 뛰어난 성능을 보였으며, BEV + CYV 구성에서 BEV + SPV 구성보다 3D mAP가 2.02점 높았다.
• 모델은 어떤 앵커 초모수 조정 없이도 최신 기술 수준의 결과를 달성하였으며, 실제 자율주행 시나리오에서의 단순성과 강건성을 입증하였다.