최근 3D 센서의 소형화와 대중화는 로봇, 자동차를 비롯한 모바일기기에 이르기까지 다양한 곳에 이용되고 있다. 특히 로봇과 무인 자동차 분야에서 3D 환경을 이해하는 것이 중요하며 3D 물체 검출은 입체적인 공간 환경을 파악하는데 효과적인 방법이다. 하드웨어의 발전과 딥러닝의 발전은 3D 원시 데이터인 포인트 클라우드를 표현하고 구조화할 수 있게 하였으며 이러한 포인트 ...
최근 3D 센서의 소형화와 대중화는 로봇, 자동차를 비롯한 모바일기기에 이르기까지 다양한 곳에 이용되고 있다. 특히 로봇과 무인 자동차 분야에서 3D 환경을 이해하는 것이 중요하며 3D 물체 검출은 입체적인 공간 환경을 파악하는데 효과적인 방법이다. 하드웨어의 발전과 딥러닝의 발전은 3D 원시 데이터인 포인트 클라우드를 표현하고 구조화할 수 있게 하였으며 이러한 포인트 클라우드를 보다 구체화하고 효율적으로 처리하기 위해 포인트 정보를 그래프로 학습하는 방식인 Point-GNN이 제안되었다. 그래프를 이용하여 인접 포인트의 특징을 집계할 때 그래프 구조를 재사용하므로 메모리 사용에 있어 효율성이 높지만, 다층 신경망(Multi-Layer Perceptron) 노드의 증가로 인한 문제점이 있다. 본 논문에서는 그래프로 물체 주변의 특징을 집계시켜 효율성을 높이고 신경망을 통한 예측 및 학습 속도 개선에 초점을 맞춰 진행하였다. 이를 위해 단순한 다층 신경망 레이어의 구조가 아닌 GCN (Graph Convolutional Network) 모델을 사용하였다. GCN은 인접 행렬과 특징행렬의 행렬 곱에 의해 주변의 특징을 집계시킨다. 정확도 향상의 요소로 포인트 간의 상대적인 특성을 반영하기 위해 라플라시안 행렬을 특징행렬을 곱하여 상대적인 특징을 생성하고 일반적인 GCN 연산에는 인접 행렬을 사용하였다. 또한, 다양한 데이터 전처리알고리즘과 Skip Connection과 같은 기법을 통해 특징을 구체화하였다. GCN 적용 시스템은 3차원 정보를 정밀하게 획득할 수 있는 포인트 클라우드를 그래프로 구조화하여 물체 주변 포인트의 정보를 컨볼루션 신경망으로 집계한다. GCN 시스템의 성능을 평가한 결과, 본 논문에서 제안한 방식이 기존 시스템보다 연산 속도를 효율적으로 증가시킬 수 있다.
최근 3D 센서의 소형화와 대중화는 로봇, 자동차를 비롯한 모바일기기에 이르기까지 다양한 곳에 이용되고 있다. 특히 로봇과 무인 자동차 분야에서 3D 환경을 이해하는 것이 중요하며 3D 물체 검출은 입체적인 공간 환경을 파악하는데 효과적인 방법이다. 하드웨어의 발전과 딥러닝의 발전은 3D 원시 데이터인 포인트 클라우드를 표현하고 구조화할 수 있게 하였으며 이러한 포인트 클라우드를 보다 구체화하고 효율적으로 처리하기 위해 포인트 정보를 그래프로 학습하는 방식인 Point-GNN이 제안되었다. 그래프를 이용하여 인접 포인트의 특징을 집계할 때 그래프 구조를 재사용하므로 메모리 사용에 있어 효율성이 높지만, 다층 신경망(Multi-Layer Perceptron) 노드의 증가로 인한 문제점이 있다. 본 논문에서는 그래프로 물체 주변의 특징을 집계시켜 효율성을 높이고 신경망을 통한 예측 및 학습 속도 개선에 초점을 맞춰 진행하였다. 이를 위해 단순한 다층 신경망 레이어의 구조가 아닌 GCN (Graph Convolutional Network) 모델을 사용하였다. GCN은 인접 행렬과 특징행렬의 행렬 곱에 의해 주변의 특징을 집계시킨다. 정확도 향상의 요소로 포인트 간의 상대적인 특성을 반영하기 위해 라플라시안 행렬을 특징행렬을 곱하여 상대적인 특징을 생성하고 일반적인 GCN 연산에는 인접 행렬을 사용하였다. 또한, 다양한 데이터 전처리 알고리즘과 Skip Connection과 같은 기법을 통해 특징을 구체화하였다. GCN 적용 시스템은 3차원 정보를 정밀하게 획득할 수 있는 포인트 클라우드를 그래프로 구조화하여 물체 주변 포인트의 정보를 컨볼루션 신경망으로 집계한다. GCN 시스템의 성능을 평가한 결과, 본 논문에서 제안한 방식이 기존 시스템보다 연산 속도를 효율적으로 증가시킬 수 있다.
Recently, the miniaturization and popularization of 3D sensors have been used in various places, including robots, autonomous driving, and other mobile devices. In particular, it is important to understand the 3D environment in the fields of robots and auto-driving, and 3D object detecti...
Recently, the miniaturization and popularization of 3D sensors have been used in various places, including robots, autonomous driving, and other mobile devices. In particular, it is important to understand the 3D environment in the fields of robots and auto-driving, and 3D object detection is an effective method for identifying stereoscopic spatial environments. Advances in hardware and deep learning have enabled the representation and structure of point clouds, which are 3D raw data, and Point-GNN, a method that learns point information graphically to more specifically and efficiently handle these point clouds, has been proposed. Although it is highly efficient in memory usage because graph structures are reused when aggregating features of adjacent points using graphs, there are problems due to the increase in MLP (Multi-Layer Perceptron) nodes. In this paper, we focus on increasing efficiency and improving prediction and learning speed through neural networks by aggregating features around objects with graphs to address the above issues. To this end, we use GCN (Graph Convolutional Network) models rather than the structure of a simple multilayer neural network layer. GCN aggregates the surrounding features by a matrix product of adjacent matrices and feature matrices. To reflect the relative characteristics between points as an element of accuracy improvement, we multiply the Laplacian matrix by the feature matrix to produce relative features and use adjacency matrices for typical GCN operations. Furthermore, we refine features through various data preprocessing algorithms and techniques such as Skip Connection. The GCN-applied system aggregates information from object peripheral points into convolutional neural networks by graphically structuring point clouds capable of precisely acquiring three-dimensional information. As a result of evaluating the performance of the GCN system, this proposal can efficiently increase the computation rate compared to the existing system.
Recently, the miniaturization and popularization of 3D sensors have been used in various places, including robots, autonomous driving, and other mobile devices. In particular, it is important to understand the 3D environment in the fields of robots and auto-driving, and 3D object detection is an effective method for identifying stereoscopic spatial environments. Advances in hardware and deep learning have enabled the representation and structure of point clouds, which are 3D raw data, and Point-GNN, a method that learns point information graphically to more specifically and efficiently handle these point clouds, has been proposed. Although it is highly efficient in memory usage because graph structures are reused when aggregating features of adjacent points using graphs, there are problems due to the increase in MLP (Multi-Layer Perceptron) nodes. In this paper, we focus on increasing efficiency and improving prediction and learning speed through neural networks by aggregating features around objects with graphs to address the above issues. To this end, we use GCN (Graph Convolutional Network) models rather than the structure of a simple multilayer neural network layer. GCN aggregates the surrounding features by a matrix product of adjacent matrices and feature matrices. To reflect the relative characteristics between points as an element of accuracy improvement, we multiply the Laplacian matrix by the feature matrix to produce relative features and use adjacency matrices for typical GCN operations. Furthermore, we refine features through various data preprocessing algorithms and techniques such as Skip Connection. The GCN-applied system aggregates information from object peripheral points into convolutional neural networks by graphically structuring point clouds capable of precisely acquiring three-dimensional information. As a result of evaluating the performance of the GCN system, this proposal can efficiently increase the computation rate compared to the existing system.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.