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

要約

自動運転における 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恵に従って、既存の方法では、多くの場合、垂直軸を持つ正規デカルト座標系が採用されます。
ただし、各オンボード 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知覚するため、これはエゴ車の視点の性質に適合しないと考えています。
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取る鳥瞰図 (BEV) でのより正確な 3D オブジェクト検出のための新しい Polar Transformer (PolarFormer) を提案します。
具体的には、不規則な極グリッドに対処するために、入力構造の形状に制限され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、multi-scalePolar 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、対応する画像観測に対応することによってラスタ化された極座標表現を、幾何学的な制約に従ってシーケンスごとに処理する方法で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により、当社の PolarFormer が最先端の 3D オブジェクト検出の代替手段よりも大幅に優れていることが実証されています。

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google