Unifying Voxel-based Representation with Transformer for 3D Object Detection （UVTR）论文笔记

原文链接：https://arxiv.org/abs/2206.00630

1.引言

        统一表达对多模态的知识迁移和特征融合是必不可少的。

        目前的统一表达可大致分为输入级和特征级的。输入级方法在网络开始处对齐多模态数据，如通过估计深度将图像转化为伪点云或将激光雷达点云转化为range图像，但前者的深度信息不准确，后者压缩了3D几何信息，数据的空间结构被破坏，导致较差的性能。特征级方法将图像特征转换为棱台（通过估计深度分布），并压缩为BEV特征；但高度压缩聚合了不同物体的特征，会导致语义模糊性。

        本文提出UVTR，将图像和点云特征都显式地在体素空间中表达和交互。对于图像，根据预测的深度分数和几何约束采样图像特征以建立体素。然后使用体素编码器进行相邻特征之间的交互，从而进行跨模态特征交互。对于物体级别的交互，使用可变形transformer作为编码器，在统一的体素空间中为每个物体查询采样特征。引入的3D查询位置有效地减轻了BEV高度压缩带来的语义模糊性。

        本文的方法有如下优点：

1. 显式的体素表达支持3D空间和多帧场景的空间交互；
2. 统一表达促进跨模态学习，可用于知识迁移和特征融合以进一步提高性能；
3. 在体素空间中，多模态数据增广可直接同步，而无需复杂的对齐过程。 

3 UVTR框架

        如下图所示，UVTR包含3部分：独立模态空间（用于统一输入表达）、跨模态交互（用于跨空间特征学习）和transformer解码器（用于物体级交互和最终预测）。

3.1 独立模态空间

        图像体素空间：使用共享的主干提取多视图图像的特征。使用FPN进行多尺度特征聚合，得到图像特征；然后将各视图图像特征转换到3D空间，如上图所示。首先估计每个图像的深度分布：

        设体素空间的某体素中心为，使用校准矩阵求出图像的相应像素，然后按下式得到体素特征：

        对多视图图像分别生成体素空间，其中所有的校准矩阵与当前帧自车坐标系对齐。使用多帧输入时，从初始帧的相对时间偏移被附加在通道维度并用卷积融合。然后将所有视图的体素空间拼接，并用卷积进行空间融合。这样，沿时间维度的特征被整合到统一的空间，从而带来性能提升。

        本文未将体素压缩到BEV，以避免高度压缩带来的语义模糊性，

        点云体素空间：直接将点云离散化为体素，再使用基于稀疏卷积的主干处理。为得到多尺度特征，使用并行的、不同步长的头从输出中提取特征（即使用2D卷积聚合每个高度的空间线索）。再将多尺度特征上采样到相同分辨率，求和得到体素空间。对于多帧输入，将所有点云与相对时间偏移连接在一起，得到输入。

        虽然点云体素空间的高度压缩不会带来语义模糊性，为方便后续的跨模态交互，本文也保留了体素表达。

        体素编码器：中不同视图得到的相邻体素之间没有交互，故引入体素编码器进行相邻特征的聚合。也使用了另一体素编码器。

3.2 跨模态交互

        主要是两方面：将点云的几何知识迁移到图像中，以及将图像的上下文感知特征与点云融合。

        知识迁移：若在推断阶段仅有单一模态输入，则在训练设计知识迁移以使用教师指导学生优化特征。使用体素编码器最后一层ReLU前的特征作为几何丰富的教师，记为；同一位置的作为几何欠缺的学生，记为。设3.3节中的物体查询位置为，则该处的知识迁移特征距离定义为

其中是部分距离。知识迁移的优化目标是使所有物体查询的特征距离均值$L_{KT}=\frac{1}{N}\sum(d_{KT})$最小。

        模态融合：目的是在训练和推断时能更好的利用多模态信息。给定体素特征$V'_I$和$V'_P$，首先使用模态开关选择候选模态进行最终预测；若两模态均被选择，则将体素特征相加得到统一体素空间$V_U$，并使用卷积进一步融合。

3.3 Transformer解码器

        如图1右端，首先初始化$N$个物体查询，并从物体查询嵌入中生成$N$个参考点，然后通过自注意力模块交互。设$q$为某查询，$p$为其对应参考点，则交叉注意力模块为

$\textup{CrossAttn}(q,V_U(p))=\textup{DeformAttn}(q,p,V_U)$

        这样可以实现查询与体素特征的交互。通过多个transformer解码块后，使用一个共享的MLP根据每个块的输出预测结果。最后，使用迭代框细化，基于这些预测细化3D边界框。

3.4 优化目标

        通常在基于transformer的模型中，训练时使用匈牙利算法进行一对一匹配目标。

        使用集合到集合的损失$L_{Det}$（包含分类损失和回归损失）优化检测结果。

        若使用知识迁移，加上以减小跨模态特征距离（小权重）。

4.实验

4.2 逐部件分析

        体素空间高度的影响：对于的图像体素空间，其性能随着高度增大而大幅提升；而点云体素空间仅有少量提升，因为点云有更精确的位置信息。

        体素编码器中的操作：基于相机的网络在没有空间交互的情况下不能收敛；而对于激光雷达网络而言，无体素编码器就能取得较好的结果，添加其能略微提升性能。

        多帧输入的影响：引入多帧输入可以大幅提高单一模态方法的性能。

        体素空间网络：生成体素空间的网络越深、体素空间越大，性能越好；但对于激光雷达分支而言，增加体素分辨率只有为性能带来很小的提升。因此，图像分支需要强大的特征提取器，而激光雷达分支对特征提取器的依赖较小。

        知识迁移：使用多帧图像、激光雷达或多模态体素特征作为教师、图像体素特征作为学生时，均能带来明显的性能提升；使用激光雷达体素特征作为学生时，多模态体素特征作为教师带来的性能提升很小。

        跨模态融合：融合相比于单一模态能带来巨大的性能提升。其中激光雷达表达起主导作用，这是因为激光雷达有精确的几何信息。

4.3 主要结果

        不同模态的结果：在单一模态以及多模态下，UVTR均能达到最优。

        鲁棒性：多模态方法对丢失视图的情况有较强的鲁棒性；对基于相机的方法，虽然性能有所下降，但网络仍能在视野内预测较好的结果。对于传感器抖动，模型性能较为稳定，特别是多模态方法。

附录

A.实验细节

        一般来说，图像和点云的数据增广是不同的。为弥补模态间差距，本文使用统一采样器和统一数据增广。

        统一采样器：通常的激光雷达方法使用GT采样（即复制粘贴数据增广）从数据库中得到更多样本，但图像因为存在物体重叠而很少使用。在UVTR的多模态训练中，同时采样点云和图像中的样本，并根据真实深度重新组织图像crop。

        统一数据增广：激光雷达点云上通常进行全局旋转、缩放、翻转等数据增广操作；对于图像体素空间也进行相应的操作。

        训练细节：使用CBGS采样器进行类别平衡优化；对于多模态方法，使用单一模态的网络作为预训练结果，然后联合微调。

B.定性结果

        可视化单一模态和多模态结果，可知：

1. 多模态方法能精确检测多数物体，但仍有远处物体或小物体未被检测；

2. 激光雷达方法因为缺少分类所需的语义信息，可能会导致误检测；

3. 图像方法的定位精度不够高，但其提供的语义信息对识别有帮助，能检测一些激光雷达检测不到的物体。