[论文解读] AFDet: Anchor Free One Stage 3D Object Detection

Runzhou Ge, Zhuangzhuang Ding+5 more|arXiv (Cornell University)|Jun 23, 2020

Advanced Neural Network Applications参考文献 38被引用 96

一句话总结

AFDet 提供一个无锚点、无 NMS 的一阶段三维点云检测器，便于嵌入式系统推理，在 KITTI 与 Waymo 验证集上具有竞争力的准确性。

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.

研究动机与目标

• 在嵌入式系统上为自动驾驶实现高效的三维对象检测的动机。
• 消除点云检测器在锚点基于和 NMS 基于后处理中的缺点。
• 开发一个端到端、无锚点的检测器，能够在 CNN 加速器或 GPU 上运行。
• 在标准基准（KITTI 与 Waymo）上显示出相对于单阶段基线的有竞争力的准确性。

提出的方法

• 使用 PointPillars 将点云编码为 BEV 伪图像，生成一个 2D 特征图。
• 实现一个五头无锚点检测器：关键点热力图、局部偏移、z 轴位置、大小和朝向头。
• 通过关键点热力图在 BEV 中预测对象中心，并用局部偏移回归图来细化中心。
• 通过结构化解码过程，从 BEV 中心利用 z、尺寸和偏航角预测来解码最终的 3D 框。
• 用最大池化和基于 AND 的峰值检测替代 NMS，以实现快速、硬件友好推理。
• 采用修改后的骨干网络和颈部设计，维持特征图尺寸并在降低计算量的同时保持精度。

实验结果

研究问题

• RQ1 一个无锚点、无 NMS 的设计是否能够在标准基准上达到有竞争力的三维检测精度？
• RQ2 面向嵌入式系统的友好设计（无 NMS、无锚点）如何影响检测速度和资源使用？
• RQ3 热力图的构造和偏移回归区域对定位与姿态精度的影响是什么？
• RQ4 与单阶段基于锚点的检测器相比，AFDet 在 KITTI 和 Waymo 上的表现如何？

主要发现

• AFDet 在 KITTI 验证集的车辆检测上实现了与单阶段基线相当的 3D AP。
• AFDet 的一个变体在 Waymo 验证集上超越了最先进的单阶段方法。
• 该模型参数轻量级，能够使用简化的后处理，适用于 CNN 加速器。
• 用最大池化和 AND 操作替代传统 NMS 可带来显著的速度提升（适合嵌入式系统）。
• 使用车形态预测和多半径偏移的热力图构造在定位精度上优于仅中心偏移。
• 在 Waymo 的车辆检测上，PointPillars-0.16 的 AFDet 在 LEVEL_1 比 PointPillars 高出约 2%，并且在体素尺寸为 0.10 m 时优于某些最先进的单阶段方法。