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

要約

自律走行における3次元物体検出は、3次元世界のどこにどのような物体があるのかを推論することを目的としている。これまでの2次元物体検出の常識を踏襲し、既存の手法では、垂直軸を持つ直交座標系を採用することが多い。しかし、これはエゴカーの視点にそぐわない。なぜなら、各カメラはラジカル（非垂直）軸を持つ撮像幾何学に固有のくさび形で世界を認識するからである。そこで、本論文では極座標系の利用を提唱し、マルチカメラ2次元画像のみを入力とする鳥瞰図（BEV）において、より正確な3次元物体検出のための新しい極座標変換器（PolarFormer)を提案する。具体的には、不規則な極座標を扱うために、入力構造の形状に制限を受けない交差注意に基づく極座標検出ヘッドを設計する。さらに、極座標の距離次元に沿った制約のない物体スケールの変動に対処するため、マルチスケール極座標表現学習戦略を導入する。その結果、本モデルは、幾何学的制約の下で、対応する画像観察に順次参加することによって、ラスタライズされたPolar表現を最大限に利用することができる。nuScenesデータセットに対する徹底的な実験により、我々のPolarFormerは、最先端の3Dオブジェクト検出代替手法を凌駕し、また、BEV意味分割タスクにおいても競争力のある性能を発揮することが実証された。

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, DeepL