DBQ-SSD: Dynamic Ball Query for Efficient 3D Object Detection

要約

タイトル：DBQ-SSD：効率的な3Dオブジェクト検出のためのダイナミックボールクエリ

要約：

– 多くの点ベースの3D検出器は、効率的な推論のために一部の点をドロップするための点特徴サンプリング戦略を採用しています。
– これらの戦略は通常、固定された手作りのルールに基づいており、複雑なシーンを扱うことが難しいため、異なります。
– 私たちは、入力機能に基づいて入力ポイントのサブセットを自适应的に選択し、適切な受容野を持つ機能変換を各選択されたポイントに割り当てるダイナミックボールクエリ（DBQ）ネットワークを提案しています。
– それはいくつかの最先端の3D検出器に埋め込むことができ、エンドツーエンドの方法でトレーニングすることができます。
– これにより、計算コストが大幅に削減されます。
– 大規模な実験は、われわれの方法がKITTI、Waymo、ONCEデータセットで推論速度を30％〜100％増加させることを示しています。
– 特に、われわれの検出器の推論速度は、パフォーマンスの低下なく、KITTIシーンで162 FPS、WaymoとONCEシーンで30 FPSに達することができます。
– 余分な点をスキップするため、いくつかの評価メトリックが大幅に改善されることが示されています。
– コードはhttps://github.com/yancie-yjr/DBQ-SSDでリリースされます。

要約(オリジナル)

Many point-based 3D detectors adopt point-feature sampling strategies to drop some points for efficient inference. These strategies are typically based on fixed and handcrafted rules, making it difficult to handle complicated scenes. Different from them, we propose a Dynamic Ball Query (DBQ) network to adaptively select a subset of input points according to the input features, and assign the feature transform with a suitable receptive field for each selected point. It can be embedded into some state-of-the-art 3D detectors and trained in an end-to-end manner, which significantly reduces the computational cost. Extensive experiments demonstrate that our method can increase the inference speed by 30%-100% on KITTI, Waymo, and ONCE datasets. Specifically, the inference speed of our detector can reach 162 FPS on KITTI scene, and 30 FPS on Waymo and ONCE scenes without performance degradation. Due to skipping the redundant points, some evaluation metrics show significant improvements. Codes will be released at https://github.com/yancie-yjr/DBQ-SSD.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI