[论文解读] Dynamic Edge Weights in Graph Neural Networks for 3D Object Detection

Sumesh Thakur, Jiju Peethambaran|arXiv (Cornell University)|Sep 17, 2020

Advanced Neural Network Applications参考文献 28被引用 5

一句话总结

本文提出一种用于激光雷达点云中3D目标检测的动态边加权图神经网络（GNN），结合距离感知体素化与掩码注意力机制，基于空间相似性和特征相似性自适应加权邻域特征。该方法在KITTI基准上实现了具有竞争力的3D AP得分，部分类别上优于多个最先进模型。

ABSTRACT

A robust and accurate 3D detection system is an integral part of autonomous vehicles. Traditionally, a majority of 3D object detection algorithms focus on processing 3D point clouds using voxel grids or bird's eye view (BEV). Recent works, however, demonstrate the utilization of the graph neural network (GNN) as a promising approach to 3D object detection. In this work, we propose an attention based feature aggregation technique in GNN for detecting objects in LiDAR scan. We first employ a distance-aware down-sampling scheme that not only enhances the algorithmic performance but also retains maximum geometric features of objects even if they lie far from the sensor. In each layer of the GNN, apart from the linear transformation which maps the per node input features to the corresponding higher level features, a per node masked attention by specifying different weights to different nodes in its first ring neighborhood is also performed. The masked attention implicitly accounts for the underlying neighborhood graph structure of every node and also eliminates the need of costly matrix operations thereby improving the detection accuracy without compromising the performance. The experiments on KITTI dataset show that our method yields comparable results for 3D object detection.

研究动机与目标

• 通过在激光雷达点云上应用图神经网络，提升自动驾驶中3D目标检测的准确性。
• 通过基于图的方法保留几何结构，解决基于体素和鸟瞰图表示的局限性。
• 通过基于相对坐标和特征相似性的动态加权边，提升GNN中的特征聚合性能。
• 开发一种距离感知下采样策略，以保留远距离目标的特征，提升检测性能。
• 通过在KITTI数据集上的消融实验，评估所提注意力机制与下采样方法的有效性。

提出的方法

• 提出一种距离感知下采样算法，基于点到传感器的距离使用可变大小的体素，以保留远距离目标的几何特征。
• 从下采样后的点云构建图，其中每个点为一个节点，边表示邻域关系。
• 引入掩码注意力机制，根据邻近节点之间的相对坐标和特征相似性动态分配边权重。
• 在每个GNN层中，通过学习到的注意力权重组合节点特征，避免昂贵的矩阵运算。
• GNN架构通过堆叠多层，迭代优化节点表示以实现目标检测。
• 通过头部网络生成最终检测输出，从优化后的节点特征预测3D边界框和类别标签。

实验结果

研究问题

• RQ1 与基于体素的方法相比，具有动态边权重的图神经网络是否能提升激光雷达点云中3D目标检测的性能？
• RQ2 距离感知下采样如何影响点云中远距离或稀疏目标的检测精度？
• RQ3 基于相对空间距离与特征距离的注意力机制特征聚合，在多大程度上提升了检测性能？
• RQ4 GNN层数对检测精度与过拟合的影响如何？
• RQ5 在KITTI基准上，所提方法与现有最先进3D目标检测器相比，在推理速度与精度方面表现如何？

主要发现

• 在KITTI验证集上，该方法在汽车类别、简单难度下实现了83.54%的3D平均精度（AP），与最先进模型相当。
• 在中等难度下，该方法实现了74.47%的3D AP，优于MV3D和F-PointNet，并与PointGNN性能持平。
• 在鸟瞰图（BEV）检测中，该方法在简单难度下达到90.12%的AP，超过大多数基线模型，包括PointGNN。
• 消融实验表明，性能在三层GNN时达到峰值（83.54% 3D AP），四层时略有下降，表明存在潜在过拟合。
• 最终预测的推理时间为15 ms，单样本总处理时间（含预处理与图构建）为502 ms，适合实时部署。
• 在KITTI基准上，该模型在行人检测中优于AVOD，在汽车检测中优于MV3D，展现出在各类目标上的鲁棒性。