[논문 리뷰] PointRGCN: Graph Convolution Networks for 3D Vehicles Detection Refinement

Jesús Zarzar, Silvio Giancola외 1명|arXiv (Cornell University)|2019. 11. 27.

Advanced Neural Network Applications참고 문헌 38인용 수 53

한 줄 요약

PointRGCN은 LiDAR로부터 3D 차량 탐지를 개선하기 위해 두 가지 GCN 기반 보정 모듈(R-GCN과 C-GCN)을 도입하여 KITTI 결과 경쟁력을 확보하고 쉬운 데이터에서 BEV AP를 두드러지게 향상시킵니다.

ABSTRACT

In autonomous driving pipelines, perception modules provide a visual understanding of the surrounding road scene. Among the perception tasks, vehicle detection is of paramount importance for a safe driving as it identifies the position of other agents sharing the road. In our work, we propose PointRGCN: a graph-based 3D object detection pipeline based on graph convolutional networks (GCNs) which operates exclusively on 3D LiDAR point clouds. To perform more accurate 3D object detection, we leverage a graph representation that performs proposal feature and context aggregation. We integrate residual GCNs in a two-stage 3D object detection pipeline, where 3D object proposals are refined using a novel graph representation. In particular, R-GCN is a residual GCN that classifies and regresses 3D proposals, and C-GCN is a contextual GCN that further refines proposals by sharing contextual information between multiple proposals. We integrate our refinement modules into a novel 3D detection pipeline, PointRGCN, and achieve state-of-the-art performance on the easy difficulty for the bird eye view detection task.

연구 동기 및 목표

• LiDAR 포인트 클라우드의 그래프 표현을 활용한 3D 차량 탐지 보정 동기 부여.
• 탐지 제안별(R-GCN) 및 프레임 간 맥락(C-GCN) 그래프 모듈 도입으로 보정.
• PointRCNN 제안 위에 두 단계 탐지 파이프라인에 R-GCN과 C-GCN을 통합.
• baselines 대비 정확도 향상을 입증하기 위해 KITTI 3D 차량 탐지에서 접근 방식 평가

제안 방법

• PointRCNN의 제안들을 그래프 기반 모듈로 보정하는 2단계 탐지 파이프라인 채택
• 각 제안의 표준 프레임 내 포인트를 처리하여 제안별 특징을 추출하기 위해 R-GCN 도입
• 같은 프레임 내 제안들 간의 맥락 정보를 EdgeConv 계층을 통해 집계하는 C-GCN 도입
• GCN 계층의 수용 영역을 확장하기 위해 잔차 연결, 확장, 동적 그래프 업데이트 사용
• 최종 탐지 예측을 위해 R-GCN 및 C-GCN 특징을 결합하고 분류 및 두 가지 형태의 회귀(버킷화 및 잔차) 수행
• 제안 분류 및 제안 회귀(버킷화 및 잔차 대상 포함)로 구성된 다중 작업 손실로 학습

실험 결과

연구 질문

• RQ1 그래프 기반 보정 모듈이 PointRCNN를 넘어 3D 차량 제안의 분류와 회귀를 개선할 수 있는가?
• RQ2 제안별 특징 집계(R-GCN)와 프레임 간 맥락(C-GCN) 결합이 BEV 위치 추정 및 3D 박스 정확도에 더 나은 성능을 제공하는가?
• RQ3 GCN 선택(MRGCN vs EdgeConv), 깊이, 잔차, 확장성이 KITTI 성능에 어떤 영향을 주는가?
• RQ4 제안된 파이프라인이 KITTI Easy/Moderate/Hard 하위 집합에서 최첨단 LiDAR-전용 탐지기들과 어떻게 비교되는가?

주요 결과

• PointRGCN은 KITTI 3D 차량 탐지에서 LiDAR-전용 방법 사이에서 표로 제시된 결과 중 약 2위에 위치하는 등 경쟁적 성능을 보입니다.
• 전체 PointRGCN 파이프라인은 KITTI Easy 하위집합에서 여러 baselines에 비해 BEV AP가 약 2% 향상됩니다.
• R-GCN 단독으로는 Hard 설정에서 PointRCNN보다 개선되고, R-GCN과 C-GCN의 결합은 Easy 및 Moderate 카테고리에서 이득을 제공합니다.
• R-GCN과 C-GCN은 보완적 이득을 제공합니다: R-GCN은 제안별 로컬 특징에 집중하고, C-GCN은 제안 간 맥락을 포착합니다.
• 절점적 연구는 잔차 연결과 확장이 성능에 큰 영향을 주며 MRGCN과 EdgeConv는 속도와 메모리 측면에서 상충 관계를 가집니다.