검색 상세

포인트 클라우드에서 세멘틱 분할을 위한 GCN 기반의 효과적인 노드 임베딩 기법

Effective node embedding technique based on GCN for semantic segmentation in point clouds

초록 (요약문)

자율주행 자동차의 인지 성능을 향상시키기 위해,이미지데이터를포인트클라우드 와 같은 다른 센서의 데이터와 의미론적으로 융합하여 카메라 센서의 한계를 보완하는 것에 대한 필요성이 높아지고 있다. 이를 위해, 포인트 클라우드 데이터에서 의미론적 인 특징을 높은 질로 추출하는 다양한 연구가 진행되었고, 그래프 기반의 방식은 그 중 하나이다. 이전의 그래프 기반 방식은 3차원 공간 혹은 임베딩 공간에서 각 포인트에 대해 자기 자신을 포함한 가장 가까운 K개의 포인트들을 이웃으로 정의하여 포인트 클라우드를 그래프로 구성하였다. 하지만, 이러한 방법은 종종 공간적으로 거리가 멀 다는 이유만으로 의미론 적으로 유사한 포인트들을 이웃으로 연결하지 못한다. 또한, K-근접 이웃 알고리즘을 그대로 사용하기 때문에 이상치에 취약하다는 문제를 그대로 안고 간다는 문제가 있다. 따라서, 본 논문에서는 포인트 클라우드에서 세멘틱 분할 을 위한 GCN 기반의 효과적인 노드 임베딩 기법을 제안한다. 본 논문에서 제안하는 기법은 입력층에서 공간적인 거리를 기반으로 가중치를 계산 하고 백본 네트워크의 은닉층에 이를 스킵 연결을 통해 전달한다. 이에 더하여, 이상치나 관련이 없는 포인 트와의 간선을 제거하여 성능을 저하시킬 수 있는 정보가 전달되는 것을 막는다. 본 논문에서 제안하는 기법을 그래프를 기반으로 3차원 의미론적 분할을 잘 수행한다고 알려진 2개의 모델 (DGCNN, AGConv)에 적용하여 정확도를 향상에 기여하는지 3 개의 지표를 통해 2개의 데이터 셋에서 검증하였다. 또한, 악천후 등으로 인한 해상도 저하에 대해 강건한지 검증하였다. 실험 결과를 통해 본 논문에서 제안하는 기법이 정 확도를 현저하게 향상시킬 뿐만 아니라 해상도가 저하에 대한 강건함을 향상시킨다는 것을 증명하였다.

more

초록 (요약문)

In order to improve the performance of perception in autonomous driving, it is crucial to overcome the limitations of camera sensors by semantically fusing image data with the data from other sensors, like point clouds. To address this challenge, various researches have focused on extracting informative semantic features from point cloud data, among which the graph-based approach is one of the effective methods. Previous methods construct the graph by defining neighbors by connecting the K nearest points in the embedding space at each layer. However, these methods often fail to connect semantically close but spatially distant points and are vulnerable to outliers due to the reliance on K - nearest neighbors. In this paper, to address these issues, we propose a Flexible, Effective, Yet Easily adaptable algorithm for extracting the more informative features. our proposed algorithm generates weights based on spatial distances and propagates these weights through skip connections to layers in the backbone network. In addition, our proposed algorithm isolates outliers from normal data to prevent aggregating irrelevant information. We applied our proposed algorithm to the backbones of the two models(DGCNN and AGConv) known for their superior performance in graph-based 3D Semantic Segmentation. We verified its effectiveness on two benchmark datasets using three metrics. The experimental results demonstrate that the models with our proposed algorithm significantly outperform those without our proposed algorithm.

more

목차

1. 서 론 1
2. 관련연구 4
2.1 포인트 클라우드 4
2.2 3차원 의미론적 분할 5
2.3 포인트 클라우드 그래프에서의 이웃 노드 . 7
3. 포인트 클라우드에서 세멘틱 분할을 위한 GCN 기반의 효과적인 노드 임베딩 기법 9
3.1 개념 정의 12
3.2 공간 가중치 13
3.3 동적인 임계값 계산을 통한 간선 제거 14
3.4 그래프 구성 및 기존 모델에 적용 16
4. 실험 및 성능 평가 19
4.1 베이스 라인 모델 19
4.2 실험 데이터 20
4.3 평가 지표 20
4.4 실험 환경 설계 21
4.5 양적 성능 평가 22
4.6 질적 비교 분석 26
4.6.1 시각화 자료에 대한 설명 26
4.6.2 비교분석 28
5. 결 론 31
참고문헌 32

more