本文介紹一篇兩階段的3D目標檢測網絡：Voxel R-CNN，論文已收錄于AAAI 2021。 這里重點是理解本文提出的 Voxel RoI pooling。

論文鏈接為：https://arxiv.org/pdf/2012.15712.pdf

項目鏈接為：https://github.com/djiajunustc/Voxel-R-CNN

---

0. Abstract

這里先給出本文摘要：

3D目標檢測的最新進展在很大程度上取決于如何表示3D數據，即基于體素（voxel-based）或基于點（point-based）的表示。 許多現有的高性能3D檢測器都是基于點的表示，因為這種結構可以更好地保留點的精確位置。 盡管如此，由于點云的無序存儲，往往會導致很高的計算開銷。 相反，基于體素的結構更適合于特征提取，但由于輸入數據被劃分成網格，往往會產生較低的精度。

在本文中，作者提出了一個稍微不同的觀點，作者發現：對原始點的精確定位對于高性能的3D目標檢測來說并不是必不可少的，粗體素粒度也可以達到很高的檢測精度。 考慮到這一點，作者設計了一個簡單但有效的基于體素的目標檢測網絡，即Voxel R-CNN。通過在兩階段方法中充分利用體素特征，最終獲得了與最先進的基于點的模型（PV-RCNN）相當的檢測精度，但計算開銷減少了許多。Voxel R-CNN由3D主干網絡、2D鳥瞰網RPN以及檢測頭組成。作者在本文中設計了一個voxel RoI pooling，可直接從體素特征中提取RoI特征，以便進一步處理。在KITTI數據集和Waymo數據集上的實驗結果表明，與現有的基于體素的方法相比，Voxel R-CNN在保持實時幀處理速率的同時（即在NVIDIA RTX 2080Ti GPU上以25FPS的速度）提供了更高的檢測精度。

---

1. Introduction & Reflection on 3D Object Detection

( 本文的引言部分和第二部分對3D目標檢測的思考部分這里就不詳細介紹了，大家可以查看原文，我在這里大致總結下。)

首先是引言部分，現在的3D目標檢測大致可以分為兩類：基于體素（voxel-based）的檢測方法有VoxelNet，SECOND，PointPillars，基于原始點的（point-based）檢測方法有STD，PointRCNN，3DSSD，PV-RCNN。從檢測性能來看，基于點的檢測精度更高，相應地計算效率還不是很快。隨著檢測算法的日益成熟，現在有一個新的問題出現了：我們是否能設計一個算法，既能達到基于點檢測的高精度又能實現基于體素檢測一樣高的效率？

下面作者在文中回顧了SECOND和PV-RCNN兩類檢測算法，可以看到SECOND和PV-RCNN在檢測精度上有著很大的差距。兩個檢測算法的主要差異在于：

SECOND是一階段檢測算法，PV-RCNN是兩階段檢測算法，PV-RCNN使用了檢測頭進行檢測的進一步優化。

PV-RCCN中的關鍵點保留了3D結構信息，而SECOND是在鳥瞰圖(BEV)上進行檢測。

從表1可以看出添加了檢測頭之后，SECOND的檢測精度提升了0.6%，但是仍然遠低于PV-RCNN，這表明兩階段檢測能提高檢測精度，但是鳥瞰圖仍然不足以對3D物體進行準確表示。表2可以看出，PV-RCNN中作者提出了VSA模塊，這是一個點-體素（point-voxel）特征交互操作，基本消耗了整個運行時間的一半，直接導致檢測效率大幅下降。

簡單總結下：

3D結構對于3D檢測器來說至關重要，而鳥瞰圖表示不足以精準預測bounding-box。

point-voxel特征計算非常耗時，影響著檢測效率，最終作者在本文提出了一個voxel-only的3D檢測器。

---

2. Voxel R-CNN Design （重點）

Voxel R-CNN是基于體素的用于3D目標檢測的兩階段網絡，網絡結構圖如上圖所示。可以看出 Voxel R-CNN由三部分組成：

• 3D骨干網絡
• 2D骨干網絡和（RPN）
• Voxel RoI pooling和 Detect Head。

在Voxel R-CNN中，首先將原始點云劃分為有規則的體素，然后利用3D骨干網絡進行特征提取。 然后將稀疏的3D體素轉換為BEV表示形式，在其上應用2D骨干網和RPN生成3D區域方案。 最后使用Voxel RoI Pooling提取RoI特征，將提取的特征輸入Detect Head以進行進一步優化。下面詳細討論這些模塊。由于本文的主要創新在于Voxel RoI pooling，因此首先對其進行介紹。

---

2.1 Voxel RoI pooling

Voxel Volumes as Points： 這里先給出了volumes的表示，由非空voxel中心坐標$\{{\mathbf{v}}_i={\left(x_i,y_i,z_i\right)\}}_{i=1}^N$和特征向量${\left\{{?}_i\right\}}_{i=1}^N$組成。

Voxel Query： 如下圖所示。在之前的最近鄰voxel查找方法中，使用最多的是Ball Query，這里作者提出了Voxel Query，使用曼哈頓距離來進行查找，通過設置曼哈頓距離閾值來采樣$K$個voxels。

假設有兩個voxels ：$\alpha =\left(i_{\alpha },j_{\alpha },k_{\alpha }\right)$和$\beta =\left(i_{\beta },j_{\beta },k_{\beta }\right)$，兩個voxels之間的曼哈頓距離計算公式為：
$$D_m(\alpha ,\beta )=\left|i_{\alpha }?i_{\beta }\right|+\left|j_{\alpha }?j_{\beta }\right|+\left|k_{\alpha }?k_{\beta }\right|$$

假設有$N$個非空voxels，使用Ball Query則時間復雜度為$O(N)$，使用voxel query時間復雜度則為$O(K)$，最近鄰voxels查找效率上得到了有效改善。

Voxel RoI Pooling Layer： 首先將候選方案劃分為$G\times G\times G$個子體素（sub-voxels）。其中心點就是網格點，由于3D特征volumes是很稀疏的，非空voxels大約只占3%空間，不能直接對每個voxel使用最大池化操作。這里作者設計了一個PointNet模塊，將近鄰voxels特征融合到網格點，模塊如下：
$${\mathbf{\eta }}_i=\underset{k=1,2,?,K}{\max }\left\{\Psi \left(\left[{\mathbf{v}}_i^k?{\mathbf{g}}_i;{?}_i^k\right]\right)\right\}$$

其中$v_i^k?g_i$表示相對坐標，$g_i$是網格點坐標，${?}_i^k$是voxel特征向量，$\Psi$表示多層感知機，${\eta }_i$是融合的特征向量。在具體實現上，作者在3D主干網最后兩層提取了voxel特征，并且在每一層使用了兩個不同的曼哈頓距離進行voxel融合，最后將這些不同層不同距離的voxel特征進行融合來獲得RoI特征。

Accelerated Local Aggregation： 在這里作者還提出了一個加速PointNet模塊。如下圖所示，在圖（a）中，假設有$M$個網格點，每一個網格點需要查找$K$個voxels，每個voxel特征向量為$C+3$，融合后的特征向量為$C^{\prime }$。則時間復雜度為$O\left(M\times K\times (C+3)\times C^{\prime }\right)$。

在圖（b）中，將voxel特征和相對坐標進行拆分，由于特征向量和網格點是相互獨立的，我們對每個voxel進行特征變換，則此時間復雜的為$O\left(N\times C\times C^{\prime }\right)$；進行voxel query后，我們對相應voxel進行位置特征轉換，此時間復雜度為$O\left(M\times K\times 3\times C^{\prime }\right)$，最終時間復雜度為$O\left(N\times C\times C^{\prime }+M\times K\times 3\times C^{\prime }\right)$，由于$M\times K$高出$N$一個數量級，所以其時間復雜度小于$O\left(M\times K\times (C+3)\times C^{\prime }\right)$。

---

2.2 Training Objectives

( 本節的主干網和區域方案部分以及檢測頭這里就不詳細介紹了，大家可以查看原文，這里對損失函數進行介紹。)

Losses of RPN： RPN損失函數為分類損失和回歸損失，函數為：
$${\mathcal{L}}_{\mathrm{R}\mathrm{P}\mathrm{N}}=\frac{1}{N_{\mathrm{f}\mathrm{g}}}\left[\sum _i{\mathcal{L}}_{\mathrm{c}\mathrm{l}\mathrm{s}}\left(p_i^a,c_i^{?}\right)+1\left(c_i^{?}\ge 1\right)\sum _i{\mathcal{L}}_{\mathrm{r}\mathrm{e}\mathrm{g}}\left({\delta }_i^a,t_i^{?}\right)\right]$$

其中$N_{fg}$為前景anchors數量，$p_i^a$和${\delta }_i^a$是分類和回歸輸出，$c_i^{?}$和$t_i^{?}$是對應分類和回歸目標。$1\left(c_i^{?}\ge 1\right)$表示只計算前景anchors的回歸損失。分類損失函數為Focal Loss，回歸損失函數為Huber Loss。

Losses of detect head： 第二階段置信度函數為：
$$l_i^{?}\left({\mathrm{I}\mathrm{o}\mathrm{U}}_i\right)=?\begin{array}{ll}0& {\mathrm{I}\mathrm{o}\mathrm{U}}_i<{\theta }_L\\ \frac{{\mathrm{I}\mathrm{o}\mathrm{U}}_i?{\theta }_L}{{\theta }_H?{\theta }_L}& {\theta }_L\le {\mathrm{I}\mathrm{o}\mathrm{U}}_i<{\theta }_H\\ 1& {\mathrm{I}\mathrm{o}\mathrm{U}}_i>{\theta }_H\end{array}$$

其中${\mathrm{I}\mathrm{o}\mathrm{U}}_i$是第$i$個方案和對應真值框的$\mathrm{I}\mathrm{o}\mathrm{U}$。${\theta }_H$和${\theta }_L$是前景$\mathrm{I}\mathrm{o}\mathrm{U}$和背景$\mathrm{I}\mathrm{o}\mathrm{U}$的閾值。置信度預測為二分類交叉熵函數，回歸損失為Huber Loss，最終的損失函數為：
$$\begin{array}{rl}{\mathcal{L}}_{\text{head?}}=& \frac{1}{N_s}[\sum _i{\mathcal{L}}_{\text{cls?}}\left(p_i,l_i^{?}\left({\mathrm{IoU}}_i\right)\right)+1\left({\mathrm{IoU}}_i\ge {\theta }_{\text{reg?}}\right)\sum _i{\mathcal{L}}_{\text{reg?}}\left({\delta }_i,t_i^{?}\right)]\end{array}$$

其中$N_s$是訓練階段的采樣區域方案數量，$1\left({\mathrm{IoU}}_i\ge {\theta }_{reg}\right)$表示只計算$\mathrm{I}\mathrm{o}\mathrm{U}$大于${\theta }_{reg}$的區域方案。

---

3. Experiments

實驗部分，作者分別在KITTI和Waymo數據集上進行了驗證，實驗細節這里不介紹了，可以查看代碼和論文，下面幾張表是實驗結果。

下表是Voxel R-CNN在KITTI數據集上的排名情況，在開源項目中目前暫列第一（截至2021-03-01）。

最后作者做了一些分析實驗，對本分提出的voxel query和accelerated PointNet進行了實驗分析，下面對表格中的5種方法實驗結果進行總結：

• ( a ）在BEV特征上進行一階段檢測，效率很快，但精度不高。
• ( b ）添加檢測頭，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，效率進一步提高。
• ( e ）本文提出的 Voxel R-CNN，取得了最好的檢測性能，同時也取得了voxel-based 方法中最快的檢測效率。

總結

以上是生活随笔為你收集整理的详解两阶段3D目标检测网络 Voxel R-CNN：Towards High Performance Voxel-based 3D Object Detection的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。