V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection

要約

DETR フレームワークを使用した点群用の高性能 3D オブジェクト検出器を紹介します。
これまでの試みはすべて、限られた規模のトレーニング データから正確な帰納的バイアスを学習できなかったため、次善の結果に終わりました。
特に、クエリはターゲット オブジェクトから遠く離れた点に注目することが多く、オブジェクト検出における局所性の原則に違反します。
この制限に対処するために、新しい 3D 頂点相対位置エンコーディング (3DV-RPE) メソッドを導入します。このメソッドは、各デコーダー層のクエリによって予測された 3D ボックスに対する相対位置に基づいて各ポイントの位置エンコーディングを計算し、明確な情報をデコーダー層に提供します。
局所性の原則に従って、モデルがオブジェクトの近くの点に焦点を合わせるようにガイドします。
さらに、タスクの理解に基づいて、データの正規化などのさまざまな側面からパイプラインを計画的に改善します。
困難な ScanNetV2 ベンチマークで優れた結果を示し、$\rm{AP}_{25}$/$\rm{AP}_{50}$ が 65.0\%/47.0\% から、以前の 3DETR に比べて大幅な改善を達成しました。
それぞれ 77.8\%/66.0\%。
さらに、私たちのメソッドは、ScanNetV2 および SUN RGB-D データセットで新しい記録を打ち立てました。コードは http://github.com/yichaoshen-MS/V-DETR でリリースされます。

要約(オリジナル)

We introduce a highly performant 3D object detector for point clouds using the DETR framework. The prior attempts all end up with suboptimal results because they fail to learn accurate inductive biases from the limited scale of training data. In particular, the queries often attend to points that are far away from the target objects, violating the locality principle in object detection. To address the limitation, we introduce a novel 3D Vertex Relative Position Encoding (3DV-RPE) method which computes position encoding for each point based on its relative position to the 3D boxes predicted by the queries in each decoder layer, thus providing clear information to guide the model to focus on points near the objects, in accordance with the principle of locality. In addition, we systematically improve the pipeline from various aspects such as data normalization based on our understanding of the task. We show exceptional results on the challenging ScanNetV2 benchmark, achieving significant improvements over the previous 3DETR in $\rm{AP}_{25}$/$\rm{AP}_{50}$ from 65.0\%/47.0\% to 77.8\%/66.0\%, respectively. In addition, our method sets a new record on ScanNetV2 and SUN RGB-D datasets.Code will be released at http://github.com/yichaoshen-MS/V-DETR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google