百度手机端推广,网站优化关键词排名自己怎么做,制作公司网站一般多久能好,vs2017html5网站开发用于3D目标检测的焦点稀疏卷积神经网络【CVPR2022】【3D检测】本文介绍一篇新的 3D 物体检测模型#xff1a;Focals Conv#xff0c;论文收录于 CVPR2022。在 3D 检测任务中#xff0c;点云或体素数据不均匀地分布在3维空间中#xff0c;不同位置的数据对物体检测的贡献是不…
用于3D目标检测的焦点稀疏卷积神经网络【CVPR2022】【3D检测】本文介绍一篇新的 3D 物体检测模型Focals Conv论文收录于 CVPR2022。在 3D 检测任务中点云或体素数据不均匀地分布在3维空间中不同位置的数据对物体检测的贡献是不同的。然而目前主流的 3D 检测网络稀疏卷积网络却使用同样的方式处理所有的数据无论是常规的稀疏卷积还是流形稀疏卷积 (Submanifold Sparse Conv)。
在本文中作者提出了两个模块来提高稀疏卷积网络的能力这两个模块都是基于位置重要性预测使特征稀疏可学习。两个模块是 焦点稀疏卷积 (Focal Sparse Conv) 或多模态版本焦点稀疏卷积Focals Conv-F。两个模块可以很容易地替换现有稀疏卷积网络中的模块并以端到端的方式进行联合训练。
本文首次证明了稀疏卷积中空间可学习的稀疏性对于复杂的 3D 物体检测是必不可少的。在 KITTI、nuScenes 和 Waymo 数据集上的大量实验验证了本文提出的方法的有效性。值得一提的是在 nuScenes 数据集上本文提出的方法取得了单一模型的最好结果。
论文链接为https://arxiv.org/abs/2204.12463
项目链接为https://github.com/dvlab-research/FocalsConv 文章目录IntroductionFocal Sparse Convolutional NetworksReview of Sparse ConvolutionFocal Sparse ConvolutionExperimentsIntroduction
首先是论文引言部分。3D 物体检测主要有两种方式一种是直接使用 PointNet 网络学习点云特征但是这种直接处理点云的方法非常耗时另一种是将点云转换为 voxel然后再使用 3D 稀疏卷积网络提取特征3D 稀疏卷积网络通常由常规的稀疏卷积和流形稀疏卷积组成。
尽管这两种卷积都已经得到了广泛地使用但是它们都有各自的局限性。常规的稀疏卷积计算量很大中间图所示输入特征被扩展到其卷积核大小的相邻特征最终增加了特征密度而流形稀疏卷积则限制了输出特征位置左图所示只有当输入特征位于卷积核中间位置时才有特征输出会丢弃必要的信息。
以上限制来源于传统的卷积模式所有的输入特征在卷积过程中被平等地对待。这对于 2D 卷积来说是很自然的但对于 3D 稀疏特征却是不合适的。2D 卷积是为结构化数据设计的同一层中的所有像素通常有个固定大小的感受野。但三维稀疏数据在空间上具有不同的稀疏性和重要性。 用统一的处理方式处理不一致的数据并不是最优的。
在稀疏性方面在距离激光雷达传感器的距离上目标呈现出较大的稀疏性变化。在重要性方面对于 3D 物体检测特征的贡献因位置不同而不同如前景点和背景点。 本文提出了新的稀疏卷积一般形式。在三维物体检测中本文引入了两个新的模块来提高稀疏卷积的表示能力。
第一种是焦点稀疏卷积(Focals Conv)。卷积的输出模式中会预测重要性立方图预测为重要特征的特征被扩展为可变形的输出形状如上图右图所示重要性是通过附加的卷积层来学习的该卷积层是动态的取决于输入特征。该模块提高了有价值的信息在所有特征中的比例。第二种是它的多模态改进版的焦点稀疏卷积融合(Focals Conv-F)。由于图像特征通常包含丰富的外观信息和较大的接受范围因此本文融合了RGB特征来增强重要性预测。
所提出的模块的创新点为
Focals Conv 提出了一种学习特征空间稀疏性的动态机制。它使学习过程集中在更有价值的前景数据上。随着下采样操作的进行有价值的信息会逐步增加。同时移除了大量的背景体素。下图展示了包括常见、拥挤和远距离物体的可学习特征稀疏性左边为普通的卷积方法右边为本文提出的卷积方法这里将 voxel 中心坐标投影到图像上可以看到 Focals Conv 在前景上丰富了所学习的体素特征而没有在其他区域中添加冗余体素。其次这两个模块都是轻量级的。重要性预测需要很小的开销和计算。
在研究工作部分作者介绍了卷积动态机制和3D物体检测研究现状这里就不一一介绍了。其实从上面的图就可以看出本文的主要贡献是对稀疏卷积进行了改进提出了位置重要性预测。下面我们来看看是如何实现的。 Focal Sparse Convolutional Networks
Review of Sparse Convolution
首先回顾下稀疏卷积公式在 ddd 维空间位置 ppp输入特征为 xp\mathbf{x}_pxp其通道数量为 cinc_{in}cin卷积核权重为 W∈RKd×cin×cout\mathrm{W} \in \mathbb{R}^{K^{d} \times c_{\mathrm{in}} \times c_{\mathrm{out}}}W∈RKd×cin×cout在三维空间中 Kd33{K^{d}}3^3Kd33。则卷积过程可以表示为 yp∑k∈KdWk⋅xpˉk(1)\mathrm{y}_{p}\sum_{k \in K^{d}} \mathrm{~W}_{k} \cdot \mathrm{x}_{\bar{p}_{k}} \tag{1} ypk∈Kd∑ Wk⋅xpˉk(1)
这里kkk 枚举卷积核空间 Kd{K^{d}}Kd 中所有离散位置pˉkpk\bar{p}_{k}pkpˉkpk 为对应特征位置kkk 为相对位置 ppp 的偏移距离。对上面的公式进行简单修改就可以得到大多数卷积类型。例如 pˉk\bar{p}_{k}pˉk 加上一个可学习的偏移距离 Δpˉk\Delta \bar{p}_kΔpˉk 就是一个可变形卷积权重改为注意力形式就变成了动态卷积。
对于稀疏数据定义输入和输出特征空间分别为 PinP_{in}Pin 和 PoutP_{out}Pout。公式1就可以写为 yp∈Pout∑k∈Kd(p,Pin)Wk⋅Xpˉk(2)\mathrm{y}_{p \in P_{\mathrm{out}}}\sum_{k \in K^{d}\left(p, P_{\mathrm{in}}\right)} \mathrm{W}_{k} \cdot \mathrm{X}_{\bar{p}_{k}} \tag{2} yp∈Poutk∈Kd(p,Pin)∑Wk⋅Xpˉk(2)
其中 Kd(p,Pin)K^{d}\left(p, P_{\mathrm{in}}\right)Kd(p,Pin) 是 KdK^{d}Kd 的子集取决于位置 ppp 和输入特征空间 PinP_{in}Pin形式为 Kd(p,Pin){k∣pk∈Pin,k∈Kd}(3)K^{d}\left(p, P_{\mathrm{in}}\right)\left\{k \mid pk \in P_{\mathrm{in}}, k \in K^{d}\right\} \tag{3} Kd(p,Pin){k∣pk∈Pin,k∈Kd}(3)
如果 PoutP_{out}Pout 包含 PinP_{in}Pin 相邻周围 KdK_dKd 内的所有扩展位置则该过程被表示为 Pout⋃p∈PinP(p,Kd)(4)P_{\mathrm{out}}\bigcup_{p \in P_{\mathrm{in}}} P\left(p, K^{d}\right) \tag{4} Poutp∈Pin⋃P(p,Kd)(4)
其中 P(p,Kd){pk∣k∈Kd}(5)P\left(p,K^d\right)\left\{pk \mid k \in K^{d}\right\} \tag{5} P(p,Kd){pk∣k∈Kd}(5)
在此条件下该公式成为常规稀疏卷积。它在其核空间中存在任何体素的所有位置起作用。这一策略有两个缺点
它引入了相当大的计算代价。稀疏特征的数量变为二倍甚至三倍增加了后续层的负担。经验发现不断增加稀疏特征的数量可能会损害 3D 物体检测。因为这可能会模糊有价值的信息它降低了前景特征并进一步降低了 3D 物体检测器的特征辨别能力。
当 PinPoutP_{in}P_{out}PinPout 时变成了 流形稀疏卷积。只有当卷积核中心位于输入端时才会发生这种情况。这种方式避免了计算负担但放弃了要素之间的必要信息流。在不规则的点云数据中这种信息流是常见的。因此有效的感受野大小受到特征分离的限制降低了模型的能力。 Focal Sparse Convolution
可以看到无论是哪一种卷积形式输出位置 PoutP_{out}Pout 都是静态的不会动态变化。这不是我们想要的我们根据稀疏特征动态确定输出位置。在我们的公式中输出位置 PoutP_{out}Pout 为所有重要位置及其扩展区域和其他不重要位置的联合体。公式为 Pout(⋃p∈PimP(p,Kimd(p)))∪Pin/im(6)P_{\mathrm{out}}\left(\bigcup_{p \in P_{\mathrm{im}}} P\left(p, K_{\mathrm{im}}^{d}(p)\right)\right) \cup P_{\mathrm{in} / \mathrm{im}} \tag{6} Pout⎝⎛p∈Pim⋃P(p,Kimd(p))⎠⎞∪Pin/im(6)
上述过程包含三步立方体重要性预测、重要输入选择、动态输出形状生成。
- Cubic importance prediction 立方体重要性图 IpI^pIp 包含位置 ppp 处输入特征周围的候选输出特征的重要性。通过一个附加的流行稀疏卷积和 sigmoid 函数来预测。 - Important input selection我们选择 PimP_{im}Pim 为 Pim{p∣I0p≥τ,p∈Pin}(7)P_{\mathrm{im}}\left\{p \mid I_{0}^{p} \geq \tau, p \in P_{\mathrm{in}}\right\} \tag{7} Pim{p∣I0p≥τ,p∈Pin}(7)
其中 I0pI_{0}^{p}I0p 是立方体重要性图的中心τ\tauτ 是一个预定义阈值。当 τ\tauτ 为0或1时就变成了常规稀疏卷积和流形稀疏卷积。 - Dynamic output shape generation动态输出 Kimd(p)K_{\mathrm{im}}^{d}(p)Kimd(p) 可写为可以看到可变形输出形状在原始膨胀内被修剪需满足 Ikp≥τI_{k}^{p} \geq \tauIkp≥τ 。
Kimd(p){k∣pk∈Pin,Ikp≥τ,k∈Kd}(8)K_{\mathrm{im}}^{d}(p)\left\{k \mid pk \in P_{\mathrm{in}}, I_{k}^{p} \geq \tau, k \in K^{d}\right\} \tag{8} Kimd(p){k∣pk∈Pin,Ikp≥τ,k∈Kd}(8)
这里作者使用 Focal loss 作为目标损失函数来监督重要性预测将真值 boxes 中 voxel 的中心作为目标损失权重设为1。
下图是本文设计的焦点稀疏卷积和它的多模态版本框架。激光雷达点云特征实线首先会经过一个附加的流形稀疏卷积来预测立方体重要图然后根据设定的阈值确定输出特征的位置在多模态版本中图像特征和点云特征相加后进行更好地预测其次图像特征只和重要的输出稀疏卷积一起融合。 Experiments
在这里作者选择了 PV-RCNN、Voxel R-CNN、CenterPoint 三种模型来验证本文提出的方法阈值 τ0.5\tau0.5τ0.5。首先是 KITTI 数据集上的消融实验这里选择重新训练后的 PV-RCNN 作为基准。 然后是和其它方法的比较这里选择 Voxel R-CNN 作为基准。 下面是在 nuScenes 数据上的试验这里选择 CenterPoint 作为基准。
