thundernet网络 小目标检测 目标检测网络模型

本文介绍一篇两阶段的3D目标检测网络：Voxel R-CNN，论文已收录于AAAI 2021。 这里重点是理解本文提出的 Voxel RoI pooling。

论文链接为：https://arxiv.org/pdf/2012.15712.pdf

项目链接为：https:///djiajunustc/Voxel-R-CNN

---

0. Abstract

这里先给出本文摘要：

3D目标检测的最新进展在很大程度上取决于如何表示3D数据，即基于体素（voxel-based）或基于点（point-based）的表示。 许多现有的高性能3D检测器都是基于点的表示，因为这种结构可以更好地保留点的精确位置。 尽管如此，由于点云的无序存储，往往会导致很高的计算开销。 相反，基于体素的结构更适合于特征提取，但由于输入数据被划分成网格，往往会产生较低的精度。

在本文中，作者提出了一个稍微不同的观点，作者发现：对原始点的精确定位对于高性能的3D目标检测来说并不是必不可少的，粗体素粒度也可以达到很高的检测精度。 考虑到这一点，作者设计了一个简单但有效的基于体素的目标检测网络，即Voxel R-CNN。通过在两阶段方法中充分利用体素特征，最终获得了与最先进的基于点的模型（PV-RCNN）相当的检测精度，但计算开销减少了许多。Voxel R-CNN由3D主干网络、2D鸟瞰网RPN以及检测头组成。作者在本文中设计了一个voxel RoI pooling，可直接从体素特征中提取RoI特征，以便进一步处理。在KITTI数据集和Waymo数据集上的实验结果表明，与现有的基于体素的方法相比，Voxel R-CNN在保持实时帧处理速率的同时（即在NVIDIA RTX 2080Ti GPU上以25FPS的速度）提供了更高的检测精度。

---

1. Introduction & Reflection on 3D Object Detection

( 本文的引言部分和第二部分对3D目标检测的思考部分这里就不详细介绍了，大家可以查看原文，我在这里大致总结下。)

首先是引言部分，现在的3D目标检测大致可以分为两类：基于体素（voxel-based）的检测方法有VoxelNet，SECOND，PointPillars，基于原始点的（point-based）检测方法有STD，PointRCNN，3DSSD，PV-RCNN。从检测性能来看，基于点的检测精度更高，相应地计算效率还不是很快。随着检测算法的日益成熟，现在有一个新的问题出现了：我们是否能设计一个算法，既能达到基于点检测的高精度又能实现基于体素检测一样高的效率？

下面作者在文中回顾了SECOND和PV-RCNN两类检测算法，可以看到SECOND和PV-RCNN在检测精度上有着很大的差距。两个检测算法的主要差异在于：

1. SECOND是一阶段检测算法，PV-RCNN是两阶段检测算法，PV-RCNN使用了检测头进行检测的进一步优化。
2. PV-RCCN中的关键点保留了3D结构信息，而SECOND是在鸟瞰图(BEV)上进行检测。

从表1可以看出添加了检测头之后，SECOND的检测精度提升了0.6%，但是仍然远低于PV-RCNN，这表明两阶段检测能提高检测精度，但是鸟瞰图仍然不足以对3D物体进行准确表示。表2可以看出，PV-RCNN中作者提出了VSA模块，这是一个点-体素（point-voxel）特征交互操作，基本消耗了整个运行时间的一半，直接导致检测效率大幅下降。

简单总结下：

1. 3D结构对于3D检测器来说至关重要，而鸟瞰图表示不足以精准预测bounding-box。
2. point-voxel特征计算非常耗时，影响着检测效率，最终作者在本文提出了一个voxel-only的3D检测器。

---

2. Voxel R-CNN Design （重点）

Voxel R-CNN是基于体素的用于3D目标检测的两阶段网络，网络结构图如上图所示。可以看出 Voxel R-CNN由三部分组成：

• 3D骨干网络
• 2D骨干网络和（RPN）
• Voxel RoI pooling和 Detect Head。

在Voxel R-CNN中，首先将原始点云划分为有规则的体素，然后利用3D骨干网络进行特征提取。 然后将稀疏的3D体素转换为BEV表示形式，在其上应用2D骨干网和RPN生成3D区域方案。 最后使用Voxel RoI Pooling提取RoI特征，将提取的特征输入Detect Head以进行进一步优化。下面详细讨论这些模块。由于本文的主要创新在于Voxel RoI pooling，因此首先对其进行介绍。

---

2.1 Voxel RoI pooling

Voxel Volumes as Points： 这里先给出了volumes的表示，由非空voxel中心坐标$\left\{\boldsymbol{v}_{i}=\right.\left.\left(x_{i}, y_{i}, z_{i}\right)\right\}_{i=1}^{N}$和特征向量$\left\{\phi_{i}\right\}_{i=1}^{N}$组成。

Voxel Query： 如下图所示。在之前的最近邻voxel查找方法中，使用最多的是Ball Query，这里作者提出了Voxel Query，使用曼哈顿距离来进行查找，通过设置曼哈顿距离阈值来采样$K$个voxels。

假设有两个voxels ：$\alpha=\left(i_{\alpha}, j_{\alpha}, k_{\alpha}\right)$和$\beta=\left(i_{\beta}, j_{\beta}, k_{\beta}\right)$，两个voxels之间的曼哈顿距离计算公式为：
$D_{m}(\alpha, \beta)=\left|i_{\alpha}-i_{\beta}\right|+\left|j_{\alpha}-j_{\beta}\right|+\left|k_{\alpha}-k_{\beta}\right|$

假设有$N$个非空voxels，使用Ball Query则时间复杂度为$O(N)$，使用voxel query时间复杂度则为$O(K)$，最近邻voxels查找效率上得到了有效改善。

Voxel RoI Pooling Layer： 首先将候选方案划分为$G \times G \times G$个子体素（sub-voxels）。其中心点就是网格点，由于3D特征volumes是很稀疏的，非空voxels大约只占3%空间，不能直接对每个voxel使用最大池化操作。这里作者设计了一个PointNet模块，将近邻voxels特征融合到网格点，模块如下：

$\boldsymbol{\eta}_{i}=\max _{k=1,2, \cdots, K}\left\{\Psi\left(\left[\boldsymbol{v}_{i}^{k}-\boldsymbol{g}_{i} ; \boldsymbol{\phi}_{i}^{k}\right]\right)\right\}$

其中$v_i^k-g_i$表示相对坐标，$g_i$是网格点坐标，$\phi_{i}^{k}$是voxel特征向量，$\Psi$表示多层感知机，$\eta_{i}$是融合的特征向量。在具体实现上，作者在3D主干网最后两层提取了voxel特征，并且在每一层使用了两个不同的曼哈顿距离进行voxel融合，最后将这些不同层不同距离的voxel特征进行融合来获得RoI特征。

Accelerated Local Aggregation： 在这里作者还提出了一个加速PointNet模块。如下图所示，在图（a）中，假设有$M$个网格点，每一个网格点需要查找$K$个voxels，每个voxel特征向量为$C+3$，融合后的特征向量为$C^{\prime}$。则时间复杂度为$O\left(M \times K \times(C+3) \times C^{\prime}\right)$。

在图（b）中，将voxel特征和相对坐标进行拆分，由于特征向量和网格点是相互独立的，我们对每个voxel进行特征变换，则此时间复杂的为$O\left(N \times C \times C^{\prime}\right)$；进行voxel query后，我们对相应voxel进行位置特征转换，此时间复杂度为$O\left(M \times K \times 3 \times C^{\prime}\right)$，最终时间复杂度为$O\left(N \times C \times C^{\prime} + M \times K \times 3 \times C^{\prime}\right)$，由于$M \times K$高出$N$一个数量级，所以其时间复杂度小于$O\left(M \times K \times(C+3) \times C^{\prime}\right)$。

---

2.2 Training Objectives

( 本节的主干网和区域方案部分以及检测头这里就不详细介绍了，大家可以查看原文，这里对损失函数进行介绍。)

Losses of RPN： RPN损失函数为分类损失和回归损失，函数为：
$\mathcal{L}_{\mathrm{RPN}}=\frac{1}{N_{\mathrm{fg}}}\left[\sum_{i} \mathcal{L}_{\mathrm{cls}}\left(p_{i}^{a}, c_{i}^{*}\right)+\mathbb{1}\left(c_{i}^{*} \geq 1\right) \sum_{i} \mathcal{L}_{\mathrm{reg}}\left(\delta_{i}^{a}, t_{i}^{*}\right)\right]$

其中$N_{fg}$为前景anchors数量，$p_{i}^{a}$和$\delta_{i}^{a}$是分类和回归输出，$c_{i}^{*}$和$t_{i}^{*}$是对应分类和回归目标。$\mathbb{1}\left(c_{i}^{*} \geq 1\right)$表示只计算前景anchors的回归损失。分类损失函数为Focal Loss，回归损失函数为Huber Loss。

Losses of detect head： 第二阶段置信度函数为：
$l_{i}^{*}\left(\mathrm{IoU}_{i}\right)=\left\{\begin{array}{ll}0 & \mathrm{IoU}_{i}<\theta_{L} \\\frac{\mathrm{IoU}_{i}-\theta_{L}}{\theta_{H}-\theta_{L}} & \theta_{L} \leq \mathrm{IoU}_{i}<\theta_{H} \\1 & \mathrm{IoU}_{i}>\theta_{H}\end{array}\right.$

其中$\mathrm{IoU}_{i}$是第$i$个方案和对应真值框的$\mathrm{IoU}$。$\theta_H$和$\theta_L$是前景$\mathrm{IoU}$和背景$\mathrm{IoU}$的阈值。置信度预测为二分类交叉熵函数，回归损失为Huber Loss，最终的损失函数为：
$\begin{aligned}\mathcal{L}_{\text {head }}=& \frac{1}{N_{s}}\left[\sum_{i} \mathcal{L}_{\text {cls }}\left(p_{i}, l_{i}^{*}\left(\operatorname{IoU}_{i}\right)\right)\right.\left.+\mathbb{1}\left(\operatorname{IoU}_{i} \geq \theta_{\text {reg }}\right) \sum_{i} \mathcal{L}_{\text {reg }}\left(\delta_{i}, t_{i}^{*}\right)\right]\end{aligned}$

其中$N_s$是训练阶段的采样区域方案数量，$\mathbb{1}\left(\operatorname{IoU}_{i} \geq \theta_{r e g}\right)$表示只计算$\mathrm{IoU}$大于$\theta_{reg}$的区域方案。

---

3. Experiments

实验部分，作者分别在KITTI和Waymo数据集上进行了验证，实验细节这里不介绍了，可以查看代码和论文，下面几张表是实验结果。

下表是Voxel R-CNN在KITTI数据集上的排名情况，在开源项目中目前暂列第一（截至2021-03-01）。

最后作者做了一些分析实验，对本分提出的voxel query和accelerated PointNet进行了实验分析，下面对表格中的5种方法实验结果进行总结：

• ( a ）在BEV特征上进行一阶段检测，效率很快，但精度不高。
• ( b ）添加检测头，精度得到了提高，但使用了ball querry和原始PointNet Module，效率下降很多。
• ( c ）使用voxel query，效率得到提高。
• ( d ）使用加速PointNet Module，效率进一步提高。
• ( e ）本文提出的 Voxel R-CNN，取得了最好的检测性能，同时也取得了voxel-based 方法中最快的检测效率。