CVPR 2022 ｜IA

论文地址：https://arxiv.org/pdf/2203.11139.pdf

开源代码：https://github.com/yifanzhang713/IA-SSD

论文针对三维激光雷达点云的有效目标检测问题开展了研究，为了减少内存和计算成本，现有的基于point的pipeline通常采用任务无关随机采样或最远点采样来逐步向下采样输入pointset，然而并非所有点对目标检测任务都同等重要。对于detector来说，前景点本质上比背景点更重要。基于此，论文提出了一种高效的单级基于point的3D目标检测器，称为IA-SSD。

IA-SSD利用两种可学习的，面向任务、实例感知的下采样策略来分层选择属于感兴趣对象的前景点。此外，还引入了上下文质心感知模块，以进一步估计精确的实例中心。最后，为了提高效率，论文按照纯编码器架构构建了IA-SSD。在多个大规模检测benckmark上进行的实验证明了IA-SSD的优势。由于低内存占用和高度并行性，在KITTI数据集上单个RTX2080Ti GPU实现了每秒80多帧的速度。

由于复杂的几何结构和不均匀的密度，激光雷达点云中的三维物体检测任务（即预测7自由度的三维box框，包括三维位置、三维尺寸、方向和类别标签）仍然极具挑战性。由于三维点云的非结构化和无序性质，早期的工作通常首先将原始点云转换为中间规则表示，包括将三维点云投影到鸟瞰视图或正面视图的二维图像，或转换为密集的三维体素。然后，可以2D检测范式网络部署到3D目标检测任务中，尽管最近取得了显著进展，但由于3D-2D投影或体素化引入了量化误差，不可避免地限制了现有方法的性能。另一种技术流遵循基于点的pipeline，直接对原始点云进行操作，通常直接学习逐点特征，然后通过特定的对称函数进行聚合，如max-pooling。

虽然这些方法很不错，并且没有任何显式信息丢失，但仍然存在昂贵的计算/内存成本和有限的检测性能。本文首先深入研究了现有的基于point的框架，并在实验中发现，所使用的启发式采样策略远远不能令人满意，因为许多重要的前景点在最终的边界框回归步骤之前被丢弃。因此，检测性能，特别是对行人等小目标的检测性能从根本上受到限制。论文认为并非所有点对目标检测任务都同等重要，使用角度出发，只有前景点，才是真正需要关心的。

基于上述出发点，论文提出一个面向任务、实例感知的下采样框架，以显式保留前景点，同时降低内存/计算成本。具体而言，提出了两种变体，即类感知和质心感知采样策略。此外还提出了上下文实例质心感知，以充分利用边界框周围有意义的上下文信息进行实例中心回归。最后构建了基于自底向上单级框架的IA-SSD，如下图所示，所提出的IA-SSD被证明是高效的（一次通过可并行推断100帧，在单个RTX 2080Ti GPU上的速度为83 FPS），并且在KITTI基准上是准确的。

论文简要概述了现有的基于体素的检测器、基于点的检测器和点-体素检测器。

为了处理非结构化三维点云，基于体素的检测器通常首先将不规则点云转换为规则体素网格，这允许利用成熟的卷积网络架构。早期的工作，对输入点云进行密集体素化，然后利用卷积神经网络学习特定的几何模式。然而，效率是这些方法的主要限制之一，因为计算和内存成本随着输入分辨率呈立方体增长。为此，Yan等人[49]通过利用3D子流形稀疏卷积[9]，提出了一种称为SECOND的高效架构。通过减少对空体素的计算，计算和存储效率显著提高。此外，提出了PointPillars，以进一步将体素简化为pillars （即仅在平面中进行体素化）。

现有的方法大致可分为单级检测器[7,11,54,55,57,58]和两级检测器[4,36–39,53]。尽管简单有效，但由于空间分辨率降低和结构信息不足，尤其是对于具有稀疏点的小对象，它们通常无法实现令人满意的检测性能。为此，SA-SSD通过引入辅助网络来利用结构信息。Ye等人[54]介绍了一种混合体素网络（HVNet），用于集中和投影多尺度特征图，以获得更好的性能。郑等人[58]提出了置信IoU感知（CIA-SSD）网络来提取空间语义特征，用于目标检测。相比之下，两级检测器可以获得更好的性能，但计算/存储成本较高。Shi等人[39]提出了一种两级检测器，即Part-A2，它由Part-aware和聚合模块组成。Deng等人[5]通过引入完全卷积网络来扩展PV-RCNN[36]，以进一步利用原始点云的体积表示并同时进行细化。

总的来说，基于体素的方法可以实现良好的检测性能和良好的效率。然而，体素化不可避免地引入量化损耗。为了补偿预处理阶段的结构失真，需要在[20,25,27,28,35]中引入复杂的模块设计，这反过来会大大降低最终检测效率。此外，考虑到复杂的几何结构和各种不同的对象，在实践中确定最佳分辨率并不容易。

与基于体素的方法不同，基于点的方法[30，38，52]直接从非结构化点云学习几何，进一步为感兴趣的对象生成特定proposal。考虑到3D点云的无序性，这些方法通常采用PointNet[31]及其变体[22、32、33、45、47]，使用对称函数聚合独立的逐点特征。Shi等人[38]提出了PointRCNN，一种用于3D对象检测的两阶段3D区域proposal框架。该方法首先从分割的前景点生成对象建议，然后利用语义特征和局部空间线索回归高质量的三维边界框。Qi等人[30]介绍了VoteNet，这是一种基于深度Hough投票的单级point 3D检测器，用于预测实例质心。受2D图像中单级检测器[21]的启发，Yang等人[52]提出了一种3D单级检测（3DSSD）框架，而关键是融合采样策略，包括特征和欧几里德空间上的最远点采样。PointGNN[40]是一个将图形神经网络推广到3D对象检测的框架。

基于点的方法直接在原始点云上操作，无需任何额外的预处理步骤（如体素化），因此通常直观直观。然而，基于点的方法的主要瓶颈是学习能力不足和效率有限。

为了克服基于点的方法（即不规则和稀疏的数据访问、较差的内存局部性[23]）和基于体素方法（如量化损失）的缺点，已经开始使用几种方法[3、16、36、37、53]从3D点云学习点-体素联合表示。PV-RCNN[36]及其后续工作[37]从体素抽象网络中提取逐点特征，以细化从三维体素主干生成的proposal。

HVPR[29]是一种单级3D探测器，通过引入高效内存模块以增强基于点的功能，从而在准确性和效率之间提供更好的折衷。Qian等人[34]提出了一种轻量级区域聚合细化网络（BANet）通过局部邻域图构造，产生更精确的box边界预测。

与密集预测任务（如需要逐点预测的3D语义分割）不同，3D对象检测自然关注小而重要的前景对象（即，感兴趣的实例，包括汽车、行人等）。然而，现有的基于点的检测器通常在其框架中采用任务无关的下采样方法，如随机采样[14]或最远点采样[32,52]。

尽管有效降低了内存/计算成本，但在渐进下采样中，最重要的前景点也会减少。此外，由于不同物体的大小和几何形状差异很大，现有detector通常为不同类型的物体训练具有各种仔细调整的超参数的单独模型。然而，这不可避免地影响了这些模型在实践中的部署。因此论文的目标是：能否训练一个基于单点的模型，该模型能够在一次通过中有效地检测多类对象？

基于此，论文通过引入实例感知下采样和上下文质心感知模块，提出了一种高效的单级检测器。如下图所示，为了提高效率，IA-SSD采用了[52]中使用的轻型纯编码器架构。首先将输入的激光雷达点云送入网络以提取逐点特征，然后进行拟议的实例感知下采样，以逐步降低计算成本，同时保留信息丰富的前景点。学习的潜在特征进一步输入到上下文质心感知模块，以生成实例建议并回归最终边界框。

为了实现高效的三维目标检测，必须通过渐进下采样来减少内存和计算成本，特别是对于大型三维点云。然而，主动下采样可能会丢失前景对象的大部分信息。总的来说，目前尚不清楚如何在计算效率和前景点的保留之间实现理想的权衡。为此，论文首先进行了一项实证研究，以定量评估不同的抽样方法，并遵循常用的编码体系结构（即具有4个编码层的PointNet++[32]），评估了随机点采样[14]、基于欧几里德距离的FPS（D-FPS）[32]和特征距离（Feat FPS）[52]等方法。

实验显示，在多次随机下采样操作后，实例召回率显著下降，表明大量前景点已被删除。D-FPS和Feat FPS在早期阶段都实现了相对较好的实例召回率，但在最后一个编码层也无法保留足够的前景点。因此，精确检测感兴趣的目标仍然是一项挑战，特别是对于行人和骑自行车的人等小目标，在这些小目标中只剩下极有限的前景点。

为了尽可能多地保留前景点，论文利用每个点的潜在语义，因为随着分层聚合在每个层中运行，学习的点特征可能包含更丰富的语义信息。根据这一思想，论文通过将前景语义先验合并到网络训练管道中，提出了以下两种面向任务的采样方法：

该采样策略旨在学习每个点的语义，从而实现选择性下采样。为了实现这一点，论文引入了额外的分支来利用潜在特征中丰富的语义。通过将两个MLP层附加到编码层，以进一步估计每个点的语义类别：

其中C表示类别数，si表示one-hot标签，si^表示预测Logit。在推理过程中，具有前k个前景分数的点被保留，并被视为馈送到下一编码层的代表点，如下表所示，该策略倾向于保留更多的前景点，因此实现了较高的实例召回率。

考虑到实例中心估计是最终目标检测的关键，进一步提出了一种质心感知下采样策略，为更接近实例质心的点赋予更高的权重。将实例i的soft point mask定义如下：

其中f∗, b∗, l∗, r∗, u∗, d∗ 分别表示点到边界框的6个surface（前、后、左、右、上和下）的距离。在这种情况下，靠近长方体质心的点可能具有更高的mask score（最大值为1），而位于surface上的点的mask分数为0。在训练期间，soft point mask将用于根据空间位置为边界框内的点指定不同的权重，因此将几何先验隐含地纳入网络训练。

将soft point mask与前景点的损失项相乘，以便为中心附近的点分配更高的概率。注意，在推理过程中不再需要box，如果模型训练充分，只需在下采样后保留得分最高的前k个点。

受2D图像中上下文预测成功的启发[6,51]，论文试图利用边界框周围的上下文线索（质心预测）。遵循[30]明确预测偏移量∆ c到实例中心，并添加了正则化项以最小化质心预测的不确定性，质心预测损失公式如下：

对于移位代表（质心）点，进一步利用PointNet++模块学习每个实例的潜在表示。将相邻点转换为局部规范坐标系，然后通过共享MLP和对称函数聚合点特征。

将聚集的质心点特征输入到提案生成头中，预测具有带有类别的bounding box。论文将proposal编码为具有位置、规模和方向的多维表示。最后，所有proposal都通过具有特定IoU阈值的3D-NMS后处理进行过滤。

为了提高效率，论文基于单级编码器体系结构构建了IA-SSD。SA层[32]用于提取逐点特征，并使用具有递增半径组的多尺度分组（[0.2,0.8]、[0.8,1.6]、[1.6,4.8]）来稳定地提取局部几何特征。考虑到早期层中包含的有限语义，在前两个编码层中采用D-FPS，然后是所提出的实例感知下采样。256个代表点特征被馈送到上下文质心预测模块中，然后是三个MLP层（256→256→3） 以预测实例质心。最后，添加分类和回归层（三个MLP层）以输出语义标签和相应的边界框。

KITTI数据集上IA-SSD和其它SOTA方法性能速度对比：

在KITTI基准中，根据难度等级，汽车、行人和骑自行车的目标分为三个子集（“容易”、“中等”和“hard”），“中等”结果通常被用作最终排名的主要指标。如下表所示，提出的IA-SSD实现了SOTA的自行车检测性能，甚至优于几个strong点-体素和体素检测器[36，39]。这主要是因为提出的实例感知采样可以有效地保留前景点，从而能够准确检测小对象。

与其他基于point的检测器相比，IA-SSD还实现了最佳的车辆检测性能，比PointRCNN[38]提升（1.91%，4.68%，4.4%），比SOTA方法3DSSD[52]强（0.51%，0.75%，0.55%）。尽管具有不错的检测性能，所提出的IA-SSD也同样显示出优异的效率。它可以在单个NVIDIA RTX 2080Ti上以85 FPS的速度检测Intel [email protected]）由于实例感知采样策略和上下文质心感知模块，可以与多类一起训练（即，训练单个模型以检测多类对象），而不是训练不同目标的单模型[52]。

为了公平比较，论文在Waymo数据集上调整了框架，将输入点的数量从16384个更改为65536个，并将每个采样层的采样比例增加到四倍，同时保持其余不变。此外，所有基线都基于OpenPCDet代码库实现，以进行严格比较，性能对比如下所示，行人非机动车车指标保持优势，机动车略差：

为了进一步验证IA-SSD在更复杂和现实情况下的通用性，还评估了IA-SSD对最新ONCE数据集的性能[26]。将60k点输入IA-SSD，类似于Waymo数据集上的设置，并训练80个epoch进行公正比较。如下表所示，论文的方法在所有基线中都具有竞争力。这再次验证了所提出的组件的优越性，以及方法应用于大规模复杂激光雷达场景的效率

速度评估，IA-SSD速度上占有绝对优势：

可视化结果如下：