論文紹介「PointNetLK: Robust & Efficient Point Cloud Registration Using PointNet」
2 likes•3,366 views
第5回3D勉強会＠関東 論文紹介「PointNetLK: Robust & Efficient Point Cloud Registration Using PointNet」
![関連研究: IT-Net[W. Yuan+, arXiv:1811.11209]
3D剛体変換を学習し回転をそろえるための
Iterative Transformer Network (IT-Net)を提案
• 剛体変換を反復して剛体変換を推定
入力点群
推定された
変換
入力点群に
変換を適用 一度変換した点群 変換の差分を推定・適用
全ての変換を合わせて最終的に出力する変換を得る](https://image.slidesharecdn.com/3dwsup-190831033748/85/PointNetLK-Robust-Efficient-Point-Cloud-Registration-Using-PointNet-10-320.jpg)
論文紹介「PointNetLK: Robust & Efficient Point Cloud Registration Using PointNet」
- 1. 第5回 3D勉強会＠関東 最新論文読み会 東北大学 橋本研究室 D2 千葉 直也
- 2. 自己紹介 名前: 千葉直也 (Naoya Chiba) 所属: 東北大学大学院情報科学研究科 橋本研究室 学年: 博士課程後期2年 主な研究分野: 三次元ロボットビジョン 点群深層学習の人と 思われがちですが， 本業は三次元計測です・・・ Twitter: @n_chiba_ HP: https://sites.google.com/view/n-chiba- 2
- 3. 紹介する論文 PointNetLK: Robust & Efficient Point Cloud Registration Using PointNet Yasuhiro Aoki, Hunter Goforth, Rangaprasad Arun Srivatsan, Simon Lucey CVPR2019, arXiv: 1903.05711 一行要約 Lucas-Kanade法（LK法）にPointNetを利用して 点群の位置合わせを行う
- 4. 関連: 点群深層学習を使った位置合わせ 結構提案されている • 3DMatch (CVPR2017) Voxelベースの局所特徴量 • LORAX (CVPR2017) 局所座標系でのDepthベースの局所特徴量 • Compact Geometric Features (ICCV2017) 局所座標系でのヒストグラムベースの局所特徴量 • 3DFeat-Net (ECCV2018) 地面方向を利用，SharedMLP+Poolingによる局所特徴量 • 3DSmoothNet: (CVPR2019) 局所座標系でのボクセルベースの局所特徴量 これは一部のはず． ICCV2019, BMVC2019あたりはまだ全然追えてないです
- 5. 関連: 点群深層学習を使った位置合わせ 結構提案されている • RelativeNet (CVPR2019) 生点群とPPFから得られる特徴量の差から剛体変換を推定 • IT-Net (CVPR2019WS) SharedMLP+Poolingによる大域特徴量 • USIP (arXiv:1904.00229) 局所点群から位置合わせに適した特徴点検出 • 3DRegNet (arXiv:1904.01701) 点群同士の対応の確からしさと剛体変換を同時に推定 • Leveraging Shape Completion for 3D Siamese Trackin (arXiv:1903.01784) SharedMLP+Poolingによる局所特徴量＋Siameseトラッカー これは一部のはず． ICCV2019, BMVC2019あたりはまだ全然追えてないです
- 6. 関連: 周辺の研究 非Deepな手法もまだ発展している • SDRSAC (CVPR2019) • ランダムサンプリング+マッチングを効率よく計算 • 点同士の組合せを最適化問題に定式化 • 制約を半正定値制約に緩和して半正定値計画問題を解く • A symmetric objective function for ICP (SIGGRAPH2019) • ICPのPoint-to-Planeの改良，対応する両点の法線を利用 • ほとんど計算量に変化なく収束性が改善 その他に関連するDeepな話題 • PointFlow推定（Optical Flowの点群版） 最近arXivではよく見かける気がする・・・？
- 7. 大まかな分類 点群深層学習を用いた位置合わせ • 局所特徴量ベース • よくある枠組み（局所形状→特徴量→マッチング→RANSACなど）を利用 • それ以外 • 大域特徴量ベース • 一回で推定 • T-net (PointNet)など • 反復して推定 • IT-Net, PointNetLKなど
- 8. 今日着目する問題 点群同士の位置合わせ • 一つと一つを剛体変換で位置合わせ • 物体認識に近いタスクは取り扱わない • 変形も取り扱わない • ICP (Iterative Closest Point) がベースライン • ノイズや隠れにロバスト（であってほしい）
- 9. PointNet PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation • CVPR2017, arXiv: 1612.00593 •三次元点群を直接ニューラルネットワークに 入力し，クラス分類/セマンティックセグメンテー ションを行う • Symmetric Functionによる順不同な入力への対応 （今回関連する部分） • Spatial Transformer Networkによる剛体変換の正規化
- 10. 関連研究: IT-Net[W. Yuan+, arXiv:1811.11209] 3D剛体変換を学習し回転をそろえるための Iterative Transformer Network (IT-Net)を提案 • 剛体変換を反復して剛体変換を推定 入力点群 推定された 変換 入力点群に 変換を適用 一度変換した点群 変換の差分を推定・適用 全ての変換を合わせて最終的に出力する変換を得る
- 11. Lucas-Kanade法について もともとは2Dでテンプレート画像の レジストレーションを行う手法 「画像がどれくらい変化したか」を推定する 変形の推定→移動→変形の推定→移動→・・・を 反復することで推定する 橋本浩一．ビジュアルサーボ-VI : ビジュアルトラッキング． システム／制御／情報 54(7), 264-273, 2010． ソース テンプレート
- 12. Lucas-Kanade法について •変形の推定 • min 𝚫𝒑 𝑰 𝑤 𝒑 + 𝚫𝒑 − 𝑰∗ 2 • 𝑰: （変形した）画像（便宜上ベクトル化したものと考える） • 𝑰∗ : テンプレート画像（便宜上ベクトル化したものと考える） • 𝑤: 画像の変形（warp） • 𝒑: 変形のパラメータ・・・最終的に推定したい • 𝚫𝒑: 微小変形・・・この最適化問題で推定 •移動の適用 • 𝒑 ← 𝒑 + 𝚫𝒑
- 13. 変形の推定 • 𝑰 𝑤 𝒑 + 𝜟𝒑 を𝒑周りでテイラー展開 • 𝑰 𝑤 𝒑 + 𝜟𝒑 ≈ 𝑰 𝑤 𝒑 + 𝐽𝜟𝒑 • 𝐽: パラメータ𝒑に対する𝑰のヤコビアン • 移動量𝜟𝒑は小さいという仮定 •最適化問題に代入 • min 𝜟𝒑 𝑰 𝑤 𝒑 + 𝐽𝜟𝒑 − 𝑰∗ 2 • ヤコビアン𝐽を用いたニュートン法で解くと −𝐽𝜟𝒑 = 𝑰 𝑤 𝒑 − 𝑰∗ → 𝜟𝒑 = −𝐽+ 𝑰 𝑤 𝒑 − 𝑰∗ • ここの最適化については陽に擬似逆行列を計算しない， ガウス・ニュートン法やLM法を用いるなど色々ある
- 14. Inverse Composition (IC) Algorithm ソースとテンプレートを入れ替えることで ヤコビアンの計算を一度で済むようにする • min 𝚫𝒑 𝑰∗ 𝑤 𝒑 + 𝚫𝒑 − 𝑰 2 ・・・𝜟𝒑 = 𝐽+ 𝑰 𝑤 𝒑 − 𝑰∗ • ここでの𝐽はテンプレート画像𝑰∗ の𝒑に対する微分 ：反復によらず固定できる • 𝒑 ← 𝒑 + 𝚫𝒑 ソース テンプレート テンプレート周りでの勾配の推定で済ませる
- 15. 点群と剛体変換 •表記 • 𝑃𝑆: ソース点群（移動元） • 𝑃𝑇: テンプレート点群（移動先） • 𝐺: 剛体変換 • 𝑃 𝑇 = 𝐺 ⋅ 𝑃𝑆となるような𝐺を推定する • 各反復で𝛥𝐺を推定，結合して最終的な推定結果とする • 𝐺 = 𝛥𝐺 𝑛 ⋯ 𝛥𝐺2 ⋅ 𝛥𝐺1 ⋅ 𝛥𝐺0
- 16. ICを用いる キーアイデア: PointNet（𝜙と表記）を用いて剛体変換を比較する 𝜙 𝑃𝑆 − 𝜙 𝐺−1 ⋅ 𝑃𝑇 2 → min テンプレート周りで勾配を考える → ヤコビアンの計算がテンプレート点群のみに 依存 → テンプレートが決まれば（姿勢更新に関係 なく）ヤコビアンの計算ができる ヤコビアンは数値的に求める（後述）ため， 計算コストが大きい ここがオフラインで計算できると嬉しい
- 17. Δ𝐺 = exp 𝑖 𝜉𝑖 𝑻𝑖 剛体変換をパラメトライズ 剛体変換 SE(3)の指数写像に対する生成元パラメータ（ベクトル） 𝝃 = 𝜉1, 𝜉2, ⋯ , 𝜉6 T 剛体変換: 三次元ユークリッド空間での運動群SE(3)の要素 SE(3)の指数写像に対する生成元の重み付け和を求め， これを指数関数で変換した行列として剛体変換を記述
- 18. PointNetによる点群同士の比較 𝜙をPointNetによる特徴ベクトルへの変換とする ICを導入することを前提にすると， ICで考えるため，これを𝐺−1について解く 変換先のパラメータ周りで一次近似する 変換元の点群 変換先の点群求める剛体変換の逆変換 パラメータに対するヤコビアン パラメータ 𝜙 𝑃𝑠 = 𝜙 Δ𝐺−1 𝑃 𝑇 𝜙 𝑃𝑠 ≅ 𝜙 𝑃 𝑇 + 𝜕 𝜕𝝃 𝜙 Δ𝐺−1 ⋅ 𝑃 𝑇 𝝃
- 19. PointNetのヤコビアン パラメータに対するヤコビアンを𝐽とおく 𝜙 𝑃𝑠 = 𝜙 𝑃 𝑇 + 𝜕 𝜕𝝃 𝜙 Δ𝐺−1 ⋅ 𝑃 𝑇 𝝃 = 𝜙 𝑃 𝑇 + 𝐽𝝃 𝐽 = 𝜕 𝜕𝝃 𝜙 Δ𝐺−1 ⋅ 𝑃 𝑇 𝜙 𝑃𝑠 − 𝜙 𝑃 𝑇 = 𝐽𝝃 剛体変換のパラメータ＝これを求めたい
- 20. ヤコビアンの計算 パラメータに対するPointNetの微分を考えるのは 非常に難しい → 数値的にヤコビアンを計算 ヤコビアン𝐽の各列𝑱𝑖をパラメータの微小変動で近似 𝑱𝑖 = 𝜕 𝜕𝜉 𝑖 𝜙 Δ𝐺−1 ⋅ 𝑃 𝑇 = 𝜕 𝜕𝜉 𝑖 𝜙 exp σ𝑖 𝜉𝑖 𝑻𝑖 −1 ⋅ 𝑃 𝑇 = 𝜕 𝜕𝜉 𝑖 𝜙 exp σ𝑖 −𝜉𝑖 𝑻𝑖 ⋅ 𝑃 𝑇 = 𝜕 𝜕𝜉 𝑖 𝜙 exp −𝜉𝑖 𝑻𝑖 ⋅ 𝑃 𝑇 = 𝜙 exp −𝑡 𝑖 𝑻 𝑖 ⋅𝑃 𝑇 −𝜙(𝑃 𝑇) 𝑡 𝑖 差分で近似
- 21. ヤコビアンの計算 パラメータに対するPointNetの微分を考えるのは 非常に難しい → 数値的にヤコビアンを計算 ヤコビアン𝐉の各列𝐉𝑖をパラメータの微小変動で近似 𝐓に沿った 微小な剛体変換 微小な剛体変換後の点群に 対するPointNetの出力 元の点群に対する 点群のPointNetの出力 𝑱𝑖 = 𝜙 exp −𝑡𝑖 𝑻𝑖 ⋅ 𝑃 𝑇 − 𝜙(𝑃 𝑇) 𝑡𝑖
- 22. パラメータの更新 ヤコビアンの疑似逆行列によりパラメータを更新 ヤコビアンの疑似逆行列 𝐽𝝃 = 𝜙 𝑃𝑆 − 𝜙 𝑃 𝑇 𝝃 = 𝐽+ 𝜙 𝑃𝑆 − 𝜙 𝑃 𝑇 求めたかった剛体変換のパラメータ
- 23. Δ𝐺 = exp 𝑖 𝜉𝑖 𝑻𝑖 剛体変換をパラメトライズ 剛体変換 求めたパラメータ 求めたパラメータを用いて剛体変換を計算 𝐺 ← Δ𝐺 ⋅ 𝐺 剛体変換の更新 𝑃𝑆 ← Δ𝐺 ⋅ 𝑃𝑆
- 25. 実装・実験の詳細 •PointNetのmax-pooling部分はAverage-poolingで 置き換え • ノイズを与えたデータに対してのパフォーマンスを 比較したところ，こちらのほうが良かった •ModelNet40のうち20Objectで学習 • クラス分類を学習させてからfine tuning • ランダムな剛体変換を与えて学習データを生成
- 26. 実験結果 学習に用いたクラスと用いなかったクラスでの比較 • 青: ICP • 緑: PointNetLK（学習に用いたクラス） • 橙: PointNetLK（学習に用なかったクラス）
- 27. 実験結果 ノイズに対するロバスト性の評価 • 青: ICP • 橙: PointNetLK（学習時ノイズなし） • 緑: PointNetLK（学習時ノイズあり）
- 30. 実験結果 計算時間の比較 • ICPは𝑂 𝑛2 • PointNetLKは近傍点探索を行わないため𝑂(𝑛)のオーダー
- 31. まとめと感想 •LKの特徴量計算にPointNetの構造を利用した論文 •ネットワークだけに頼らない，PointNetの 良い利用例 • ICとの相性も良い •感想 • どのようにパラメータを取るか，が重要な印象 • End-to-Endが全てではない • まだまだ位置合わせについてもやることはあるはず • 複数物体，ノイズ，実データ，データセット不足，etc…