WiMob2022@ギリシャ
ギリシャ・テッサロニキで開催されたWiMob2022で2件の口頭発表
その他
国際会議 · 2022
Object Recognition from 3D Point Cloud on Resource-Constrained Edge Device
Abstract
This paper presents the design and development of a lightweight, portable 3D spatial sensing device equipped with a compact LiDAR-type sensor. The device provides a 3D point cloud representation of the surrounding environment as captured by the sensor. Based on the acquired 3D point cloud, we propose a real-time object recognition method. The technical challenge is how to process the 3D point data in real-time while pursuing the best trade-off between the processing overhead and recognition accuracy. To answer the question, we leverage the Fisher Vector to extract spatio-temporal features of different objects enabling efficient classification of these objects using the Support Vector Machine approach. The experimental results show that the proposed method achieves mean Average Precision of 0.961. The processing speed on the device was 59.3 frames/second, indicating that object detection can be done in real-time on the device.
解説
3 次元の空間センシングを持ち運べる形にすると、決まった場所に据え付ける必要がなくなり、使える場面が広がります。ただ、小型の機器は計算資源が限られるので、その上で点群を実時間処理するには工夫が要ります。点群は一フレームあたりの点数が多く、深層学習をそのまま載せると処理が追いつきません。
本研究では、小型の LiDAR 型センサを備えた軽量で可搬な 3 次元空間センシング装置を設計、開発しました。この装置はセンサが捉えた周囲の環境を点群として表現します。取得した点群をもとに実時間で物体を認識する手法を提案していますが、技術的な争点は、処理の負荷と認識精度のあいだで最も良い折り合いをつけながら、いかに実時間で処理するかという点にあります。
その答えとして採用しているのが Fisher Vector とサポートベクターマシンの組み合わせです。Fisher Vector というのは、多数の局所特徴を確率モデルに対する当てはまり方の勾配として一本のベクトルにまとめる符号化手法で、点の数が変動するデータを固定長の表現に落とせます。深層学習ほど計算を要さずに識別に効く特徴が得られるため、資源の限られた機器に向きます。ここでは物体ごとの時空間特徴を抽出する役割を担っています。
実験では平均適合率 0.961 を達成し、装置上の処理速度は毎秒 59.3 フレームとなりました。装置単体で実時間の物体検出が成り立つことを示しています。
関連する研究室活動
関連プロジェクト
