Abstract

• LiDAR기반 / RGB-D 기반 객체 검출은 다양한 분야에서 이용됨

• Voxel 기반 3D CNN은 LiDAR point cloud 처리 시 좋음

  ⇒ inference 속도 느림 / 회전 추정 성능 떨어짐

• sparse convolution ⇒ inference 속도 빠르게 함

• angle loss regression ⇒ 회전 추정 성능 향상

• 새로운 데이터 증강 기법 ⇒ 수렴 속도, 성능 향상

Introduction

• 이미지 기반 detection

  ⇒ LiDAR 바로 적용 불가능

• LiDAR / RGB-D를 이용한 Point cloud 이용

• 이미지 + LiDAR과 같은 fusion 방식도 사용

• VoxelNet에서는 raw point cloud를 적용하여 detection 수행

  ⇒ 연산량이 높아 실시간 사용 어려움

• sparse conv + Rule을 이용하여 성능 향상 + 시간 단축

• point cloud에 새로운 데이터 증강 기법

• 새로운 angle loss 도입하여 회전 잘 맞추도록 함

• 보조 direction classifier로 방향 맞추게 함

⇒ 실시간 가능하면서 SOTA 달성

Related Work

Front-View- and Image-Based Methods

• RGB-D data를 이용한 2D 표현 방법
  • Brid’s eye view (BEV)
  • Front view
• 이미지 기반 방법
  • 2D 박스 생성 → hand-crafted 방법론 적용 → feature map 생성