[논문 리뷰] Projected-point-based Segmentation: A New Paradigm for LiDAR Point Cloud Segmentation

Shijie Li, Yun Liu외 1명|arXiv (Cornell University)|2020. 08. 10.

Remote Sensing and LiDAR Applications참고 문헌 23인용 수 4

한 줄 요약

이 논문은 LiDAR 스캔의 내재된 순서를 활용하여 실외 환경의 LiDAR 포인트 클라우드에 대해 포인트 기반 방법을 적응시키는 새로운 패러다임—투영된 포인트 기반 분할—을 제안한다. 포인트와의 복합 연산과 행렬 곱셈만을 사용하여 투영된 이미지에서 계산을 수행함으로써, 단순한 아키텍처로도 기존의 포인트 기반 접근 방식보다 높은 정확도와 효율성을 달성한다. SemanticKITTI 벤치마크에서 이는 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 기존의 포인트 기반 방법이 실외 환경에서 성능이 떨어지는 데 기인한 실내와 실외 LiDAR 포인트 클라우드 분할 간의 도메인 갭을 해결한다.
• LiDAR 스캔의 내재된 순서 구조를 활용하여 보다 효율적이고 정확한 분할 프레임워크를 설계한다.
• 포인트 기반 네트워크를 더 적합하게 만들기 위해 새로운 패러다임—투영된 포인트 기반 방법—을 개발한다.
• 최소한의 아키텍처 복잡성으로도 SemanticKITTI 데이터셋에서 최신 기술 수준의 성능을 달성한다.

제안 방법

• LiDAR 스캔의 내재된 각도 순서를 활용하여 3D LiDAR 포인트 클라우드를 2D 투영 이미지로 변환한다.
• 투영된 이미지의 구조에 기반한 포인트 샘플링 및 군집화를 수행하여 계산 오버헤드를 감소시킨다.
• 모든 연산—포인트와의 복합 연산과 행렬 곱셈—을 원시 3D 좌표가 아닌 투영된 이미지 공간에서 수행한다.
• 투영된 이미지 표현을 통해 공간적 관계를 유지하면서도 효율적인 계산을 가능하게 한다.
• 투영된 이미지에서만 작동하는 경량 네트워크를 설계하여 복잡한 3D 연산을 피한다.
• 포인트 기반 네트워크의 단순성을 유지하면서도 LiDAR 특화 데이터 순서를 활용하도록 적응시킨다.

실험 결과

연구 질문

• RQ1 투영된 포인트 기반 접근 방식은 실내와 실외 LiDAR 포인트 클라우드 분할 간의 도메인 갭을 효과적으로 해소할 수 있는가?
• RQ2 LiDAR 스캔의 내재된 순서를 활용할 경우, 기존의 표준 포인트 기반 방법에 비해 분할의 효율성과 정확도는 얼마나 향상되는가?
• RQ3 투영된 포인트 기반 계산을 사용할 때, 단순한 네트워크 아키텍처가 실외 LiDAR 데이터에서 경쟁 가능한 성능을 달성할 수 있는 정도는 어느 정도인가?
• RQ4 투영된 이미지 표현은 복잡한 실외 환경에서 정확한 의미 분할을 위해 충분한 기하학적 정보를 유지하는가?

주요 결과

• 투영된 포인트 기반 방법은 SemanticKITTI 데이터셋에서 모든 포인트 기반 기준선보다 높은 정확도를 달성한다.
• 포인트와의 복합 연산과 행렬 곱셈만을 사용함으로써 계산이 감소하여 뛰어난 효율성을 보인다.
• 단순한 네트워크 아키텍처로도 제안된 방법은 SemanticKITTI 벤치마크에서 이전의 최신 기술 수준 방법들을 능가한다.
• 투영된 이미지의 사용은 LiDAR의 내재된 스캔 순서를 효과적으로 활용하여 샘플링과 군집화를 향상시킨다.
• 실외 데이터 특성에 적응함으로써 실내와 실외 분할 간의 도메인 갭을 효과적으로 완화한다.
• 계산 복잡도를 최소화하면서도 높은 성능을 유지하여 실시간 응용에 적합하다.