Abstract

• Point Cloud에서 객체 탐지를 위한 GNN
• Point feature encoding 단계에서 relative coordinates와 Angle를 사용

Introduction

• Point-GNN의 구조를 그대로 가져온 논문
• 기존 논문에서는 데이터의 rotation에 의해 성능이 저하되는 문제점이 있음
• Point feature encoding 단계에서 Angle까지 고려하여 rotation variance를 저항력이있는 모델을 만들고자 함

Method

• Graph Construction 단계이전에 다운샘플링
• Voxel downsampled point cloud P^를 통해 그래프를 설계한다.
• point에 nomal vector를 활용하여 삼각형 각도를 통해 angle-feature를 인코딩한다.

• n_i: p_i nomal vector
• n_j: p_j nomal vector
• r_ij : p_i와 p_j의 relative distance

GNN architecture

• Point-GNN 모델방식을 그대로 사용
• center vertex feature를 통해 auto-registration 적용

Result

• Angle feature 사용하여 rotation 변화에 저항 할수 있게되었다.
• Pedestrians 본질적으로 sparse하게 point가 분포하기 때문에 합당한 결과
• Absolute distance의 경우 절댓값으로 인해 point의 지리적 특성을 반영 할 수 없을거라 생각됨