[논문 리뷰] AFDet: Anchor Free One Stage 3D Object Detection

Runzhou Ge, Zhuangzhuang Ding외 5명|arXiv (Cornell University)|2020. 06. 23.

Advanced Neural Network Applications참고 문헌 38인용 수 96

한 줄 요약

AFDet는 포인트 클라우드를 위한 앵커 없는, NMS 없는 원스테이지 3D 탐지기로 임베디드 시스템 친화적 추론을 가능하게 하며 KITTI 및 Waymo 검증 세트에서 경쟁력 있는 정확도를 제공합니다.

ABSTRACT

High-efficiency point cloud 3D object detection operated on embedded systems is important for many robotics applications including autonomous driving. Most previous works try to solve it using anchor-based detection methods which come with two drawbacks: post-processing is relatively complex and computationally expensive; tuning anchor parameters is tricky. We are the first to address these drawbacks with an anchor free and Non-Maximum Suppression free one stage detector called AFDet. The entire AFDet can be processed efficiently on a CNN accelerator or a GPU with the simplified post-processing. Without bells and whistles, our proposed AFDet performs competitively with other one stage anchor-based methods on KITTI validation set and Waymo Open Dataset validation set.

연구 동기 및 목표

• 임베디드 시스템에서 자율주행용 효율적인 3D 물체 탐지를 추진한다.
• 포인트 클라우드 탐지기의 앵커 기반 및 NMS 기반 후처리의 단점을 제거한다.
• CNN 가속기나 GPU에서 실행할 수 있는 엔드투엔드의 앵커 없이 탐지기를 개발한다.
• 단일 스테이지 기준과 비교하여 표준 벤치마크에서 경쟁력 있는 정확도를 보여준다.

제안 방법

• PointPillars를 사용하여 포인트 클라우드를 BEV 의사 이미지로 인코딩하고 2D 특성 맵을 생성한다.
• 키포인트 핵심점 열, 로컬 오프셋, z축 위치, 크기, 방향 헤드의 다섯 헤드 앵커 프리 탐지기를 구현한다.
• BEV에서 키포인트 열을 통해 객체 중심을 예측하고 로컬 오프셋 회귀 맵으로 중심을 보정한다.
• 구조화된 디코딩 절차를 사용하여 z, 크기, 요(yaw) 각도 예측과 함께 BEV 중심에서 최종 3D 박스를 디코딩한다.
• 속도 빠르고 하드웨어 친화적인 추론을 위해 NMS를 최대 풀링과 AND 기반 피크 탐지로 대체한다.
• 정확도를 유지하면서 특징 맵 크기를 유지하고 계산 부하를 줄이기 위해 수정된 백본(backbone)과 넥 디자인을 채택한다.

실험 결과

연구 질문

• RQ1 앵커 프리이고 NMS 프리한 설계가 표준 벤치마크에서 경쟁력 있는 3D 탐지 정확도를 달성할 수 있는가?
• RQ2 임베디드 시스템 친화적 설계( NMS 없음, 앵커 없음)가 탐지 속도와 자원 사용에 어떤 영향을 미치는가?
• RQ3 히트맵 구성 및 오프셋 회귀 영역이 로컬라이제이션 및 방향성 정확도에 미치는 영향은 무엇인가?
• RQ4 AFDet가 KITTI와 Waymo에서 단일 스테이지 앵커 기반 탐지기와 비교해 어떤 성능을 보인가?

주요 결과

• AFDet는 KITTI 검증에서 자동차 탐지에 대해 단일 스테이지 기준선과 비교해 3D AP가 경쟁력 있다.
• AFDet의 변형은 Waymo 검증 세트에서 최첨단 단일 스테이지 방법을 능가한다.
• 모델은 매개변수 면에서 가볍고 CNN 가속기에 적합한 단순화된 후처리로 작동할 수 있다.
• 전통적인 NMS를 최대 풀링과 AND 연산으로 대체하면 속도가 크게 빨라진다(임베디드 시스템 친화적).
• 히트맵 구성은 자동차 모양 예측 및 다중 반경 오프셋을 사용하여 중심만 오프셋보다 로컬라이제이션 정확도를 향상시킨다.
• Waymo의 차량 탐지에서 PointPillars-0.16의 AFDet는 LEVEL_1에서 PointPillars보다 약 2% 이기고, 체적 크기가 0.10 m일 때 일부 최첨단 단일 스테이지 방법보다 우수하다.