◉背景
センシング技術が進むお陰て、3Dデータが取りやすくなりました。その中、特にLidarが色々な場面で活躍しています。
2Dデータと比べて、3Dデータはもう一次元の「距離」情報を提供します。それによって、リアル世界を更に深く理解することが可能になる。
3Dデータ＋深層学習では、色々なリアル問題を解決しました。
◉三次元点群の応用
Lidarから三次元点群を取得できます。
自動運転（車、ロボット）では、三次元点群＋深層学習は重要である。
深層学習により、三次元点群データを自動処理できます。以下のタスクで応用できます：
三次元点群セグメンテーション（PointCloud Segmentation）
三次元物体検出(3D Object Detection)
三次元物体認識・分類（3D Object Classification）
三次元物体追跡（3D Object Tracking）
【自動運転の事例：Lidarデータによる物体検出】
【Augment Realityの事例】
【クオリティ分析の事例：設計とリアルを照らし合わせる】
【3D環境再構築の事例：環境を再構築する】
【SLAMの事例：リアルタイムで居場所を計算する】
【距離計測の事例：リモートで距離を計測する】
◉三次元点群の応用：三次元物体検出
自動運転をする際に、周囲の物体（車とか）を検出する必要がある。そうすると、車が周囲の環境を”理解”できる。
：手法
車に搭載するセンサーから得るデータを基づいて、3D物体検出を行う
3D物体検出では、オブジェクトの種類、サイズ、距離を検出できる
3D物体検出によって環境を”理解”できると、車が相応の行動を取れる
【物体検出：三次元物体のBounding Boxを検出する】
■車に搭載されるセンサー
CAMERA：RGBデータを取得する為のカメラ
LIDAR：Laserを使って、三次元点群を取得するためのセンサー
RADAR：音声を使って距離を判断するためのセンサー
LIDARは三次元情報を直接提供するので、3D物体検出に役立つ。
CAMERAは2Dデータを提供するが、3D物体検出にとっては、点群ほどストレートではない。
■データを取得するためのセンサー
【三次元物体検出：Model】
点群が取得した後、深層学習で3D物体検出を行う。
3D物体検出深層学習モデルをいくつ紹介いたします。
PointNet
VoxelNet
PointPillars
IA-SSD
BEVFusion
【三次元物体検出：PointNet】
◉PointNetは点群データを直接処理する
■PointNetモデルの処理プロセス
点群をインプットにする
処理しやすく為、Transform Moduleでインプットを変換する
Multilayer perceptron（mlp）層によって、特徴の次元を拡大する
もう一度Transform Moduleで変換する
mlp層とmax pooling層の組み合わせて、結果を絞り出す
◉Transform Module
PointNetは深層学習で三次元データを処理する初めてのマイルストーン
PointNetはTransform moduleによって、点群を適切に変換して処理する（人間が視点を変わって物体を観察すると似ている）
PointNetは点群データを直接利用するので、精度と効率は低い
点群のままでは、表現力が弱い
点の数が多い為、無駄な処理が多い
【三次元物体検出：VoxelNet】
■Voxelを基本単位で点群を処理する
Voxelを使って、空間を区切る
Voxelは内部の点によって、Voxelの特徴を生成する
3D Convolution Neural Network（CNN）で、特徴を処理する
目標のBounding Boxを絞り出す
End-to-End Learning for Point Cloud Based 3D Object Detection (CVPR 2018)
Voxel単位で処理するので、PointNetより効率が高い
Voxelの特徴抽出部分を丁寧に設計した
PointNetと比べて、Transform moduleは使えなくなる
Voxelのサイズはフィクスされるので、点群密度のばらつきが大きいと（例：Lidarデータ）、VoxelNetの精度が落ちる
3D CNNを使うので、処理速度が高くない
【三次元物体検出：PointPillars】
◉Lidarデータの形はケートと似ている
◉PointPillars：Pillar（細長いVoxel）を基本単位にする
■Pillarsを基本単位で点群を処理する
Pillarsを使って、空間を区切る
Pillarsは内部の点によって、Pillarsの特徴を生成する
2D Convolution Neural Network（CNN）で、特徴を処理する
目標のBounding Boxを絞り出す2D CNNを使うので、処理速度は高い（40FPS以上）
◉2DのPyramid構造を持つNeural Networkを使って処理する
PointPillarsはLidarに対して設計したモデル
2D CNNを使うので、処理速度は高い（40FPS以上）
Lidarデータ上の物体検出の精度が高い
【三次元物体検出：IA-SSD】
■Lidarの点群の中、全ての点は同じく重要ではない
目標オブジェクトの重要度は高い
バックグランドの重要度は低い
■重要度に応じるサンプリングする
重要な点に対して、高い頻度でサンプリングするべき
重要でない点に対して、低い頻度でサンプリングするべき
■提案したサンプリング手法
サンプリングModuleを学習させて、ベストなサンプリングを行う
■提案したサンプリング手法
MLP層で目標クラスに対してを頻度高くサンプリングする
オブジェクト中心に近いほど、サンプリング頻度を高くする
■この手法のメリット
必要な点を多めにサンプリングでき、必要のない点を少なめにサンプリングすることができる
結果：高速且つ高精度で物体検出ができる（80FPS以上）
【三次元物体検出：BEVFusion】
BEVFusion：カメラデータとLidarデータを融合して物体検出を行う
この前の手法はLidarのみ利用したが、自動運転の場合、カメラのデータを利用できる
メリット：情報が増えるので、精度の向上は期待できる
難点：カメラのRGBデータとLidarの点群データの性質は違うので、融合は難しい
◉BEVFusion:カメラとLidarデータをBEV空間で融合させる
◉BEVFusionモデルの構造
◉カメラデータをBEV空間に投影する
RGB画像と点群の性質が違う、融合は困難である
BEVFusionは一つの融合手法を提案した
BEVFusionはLidarのみの手法より、精度が高い
【お問い合わせ】
AIや3次元画像処理をはじめとした様々なセンシング、データ解析に関するご相談はTengun-labelまでお問い合わせください。
株式会社Tengun-label
本社：東京都新宿区西新宿4-31-3 永谷リヴュール新宿 1014号室
ブランチオフィス：東京都新宿区西新宿6-6-2 新宿国際ビルディング4F コンピュータマインド内
メールアドレス：info@tengun-label.com
TEL：080-5179-4874
Comments