PolarFormer: Multi-camera 3D Object Detection with Polar Transformer

要約

自動運転での3Dオブジェクト検出は、3D世界に存在する対象オブジェクトの「何」と「どこ」を推論することを目的としています。
以前の2Dオブジェクト検出の従来の知識に従って、既存の方法では、垂直軸を持つ正規のデカルト座標系を採用することがよくあります。
ただし、各車載カメラは、ラジカル（非垂直）軸を持つイメージングジオメトリに固有のくさびの形で世界を認識するため、これはエゴカーの視点の性質に適合しないと考えます。
したがって、この論文では、極座標系の活用を提唱し、マルチカメラ2D画像のみを入力として使用する鳥瞰図（BEV）でのより正確な3Dオブジェクト検出のための新しい極変換器（PolarFormer）を提案します。
具体的には、不規則な極グリッドを処理するために、入力構造の形状に制限のないクロスアテンションベースの極検出ヘッドを設計します。
Polarの距離次元に沿った制約のないオブジェクトスケールの変動に取り組むために、マルチスケールのPolar表現学習戦略をさらに導入します。
その結果、私たちのモデルは、幾何学的制約の対象となるシーケンスごとの方法で対応する画像観測に注意を払うことによってラスタライズされた極座標表現を最大限に活用できます。
nuScenesデータセットでの徹底的な実験は、PolarFormerが最先端の3Dオブジェクト検出の選択肢を大幅に上回り、BEVセマンティックセグメンテーションタスクで競争力のあるパフォーマンスを生み出すことを示しています。

要約(オリジナル)

3D object detection in autonomous driving aims to reason ‘what’ and ‘where’ the objects of interest present in a 3D world. Following the conventional wisdom of previous 2D object detection, existing methods often adopt the canonical Cartesian coordinate system with perpendicular axis. However, we conjugate that this does not fit the nature of the ego car’s perspective, as each onboard camera perceives the world in shape of wedge intrinsic to the imaging geometry with radical (non-perpendicular) axis. Hence, in this paper we advocate the exploitation of the Polar coordinate system and propose a new Polar Transformer (PolarFormer) for more accurate 3D object detection in the bird’s-eye-view (BEV) taking as input only multi-camera 2D images. Specifically, we design a cross attention based Polar detection head without restriction to the shape of input structure to deal with irregular Polar grids. For tackling the unconstrained object scale variations along Polar’s distance dimension, we further introduce a multi-scalePolar representation learning strategy. As a result, our model can make best use of the Polar representation rasterized via attending to the corresponding image observation in a sequence-to-sequence fashion subject to the geometric constraints. Thorough experiments on the nuScenes dataset demonstrate that our PolarFormer outperforms significantly state-of-the-art 3D object detection alternatives, as well as yielding competitive performance on BEV semantic segmentation task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google