【文章阅读】PV-RCNN
Brief
很长一段时间没有记录一些学习的东西了，一部分原因是因为研一的考试真的多，还有一部分是没有看上一些值得去写博客的文章。今天这一篇是19年12月30日放到arxive上的，其实在CVPR2020截止后就一直在关注这一篇文章何时会放出来，毕竟在KITTI的3D检测上高居榜首，并且远远的超过了第二名。如下：
是很有必要研读一下，这篇文章出自港中文和商汤的工作。目前还没有开源代码。
这里是 paper
这里是代码
先看题目猜测一下，是结合了目前基于点和基于voxel的方法进行特征提取。5555，好像博主之前的一点工作也是朝着这个方向去做过，奈何太菜，没做出好的结果。
Abstruct
- 本文的特征提取方式充分利用的3D voxel卷积和基于点的pointnet卷积方式。其中作者给出的解释是3D voxel卷积高效，而point-based的方法感受野可变，因此结合了这两种检测方法的优点。
- 该方法是一个两阶段的方法, 第一阶段提proposals，第二阶段为refine
- 该方法远远好于KITTI其他的方法，在精度的表现上看。
一个简单的过程如下，盲猜为多尺度特征融合到key-point上的一个创新工作。
1. Introduction
- 3D检测应用
- 本文是一个将point_based的方法和voxel_based方法的结合的新型网络结构（在文章作者称voxel_based为grid_based的方法，实则同一种方法）
- 一些point_based和grid_based方法的简单介绍。并且提取存在的问题。这也是作者的论文出发点，结合这两种方法的优点。（高效+可变感受野）
the grid-based methods are more computationally efficient but the inevitable information loss degrades the finegrained localization accuracy, while the point-based methods have higher computation cost but could easily achieve larger receptive field by the point set abstraction
- PV-RCNN为结合这两种方法的算法，采用multi-scale的方法获得由voxel_based方法得到的高质量的proposals，然后再利用Point_based的方法获得精细的局部信息。
The principle of PV-RCNN lies in the fact that the voxel-based operation efficiently encodes multi-scale feature representations and can generate high-quality 3D proposals.
- 核心也就是如何将上述的两种方法有效的结合起来，这里作者的做法是：在每一个3D proposals内平均的采样一些Grid-point，然后再通过P2的FPS最远点采样的方法得到该Grid_point周围的点，再通过结合去进一步refine最后的proposals
- 因此，作者采用两阶段的方法去更好的结合上述的两种算法的优点。
（1） 第一阶段为：“voxel-to-keypoint scene encoding step ”，这一步是提出proposals，作者首先对整个场景采用voxel的方法进行特征提取，同时采取一支分支对场景采用point的FPS采样，然后检索得到多尺度的voxel的特征，如下的表示。这样实际上仅仅是采用了voxel的特征，但是表示在key-point身上。
（2）第二阶段为‘keypoint-to-grid RoI feature abstraction’：这一步骤，作者提出了一个新的RoI-grid pooling module，该模块将上一步骤的keypoints的特征和RoI-grid points特特征融合（keypoints和RoI-grid points是什么内容后续会讲到）
- contributions
2. Related Work
这一部分不细讲，基本上的文章都大差不差。如下内容
- 3D Object Detection with Grid-based Methods.
- 3D Object Detection with Point-based Methods.
- Representation Learning on Point Clouds.
3. PV-RCNN for Point Cloud Object Detection
3.1. 3D Voxel CNN for Efficient Feature Encoding and Proposal Generation
- 3D voxel CNN
- 3D proposal generation
上面的两点内容大都和其他目前流行的基于voxel的方法一样，不多赘述。
- Discussions
（1）目前大多精度高的工作都采用了refine优化的工作，这里作者提出两个问题，如果采用类似roi_pooling的方式去做，那么由于8倍的下采样会使得分辨率很低，此外如果采样得到的是较高的分辨率图片又会得到稀疏的表示（Fast-PointRCNN）。第二个问题是传统的ROI-POOLING和ROI-ALIGN实际上得到仅能在一个小的区域内进差值，因此如果在3D稀疏的表达上可能得到几乎都是0的特征表示。
（2）进一步的，P2提出的set-abstruction的操作很好的编码“可变”领域的特征，后续考虑到去voxel上差值的内存占用，作者提出了先提出关键点，然后再利用关键点编码voxel卷积过程的多尺度特征。
3.2. Voxel-to-keypoint Scene Encoding via Voxel Set Abstraction
- Keypoints Sampling
采用FPS，对KITTI数据集的关键点个数为2048，对waymo数据集为4096个点。用于代表整个场景的特征信息。
- Voxel Set Abstraction Module
作者自行设计了Voxel Set Abstraction (VSA) module这样的一个模块，这个模块的作用是将keypoint周围非空的voxel特征采集出来结合在一起，原文用了很多数学表达，含义大致如此。
- Extended VSA Module
进一步的在二维上，采用的是双线性插值得到关键点投影到BEV上的特征。最终的特征将有三部分组成，分别是来自voxel语义信息 f i p v f^{pv}_i fipv, 来自原始点云的特征信息 f i r a w f^{raw}_i firaw(作者说这一部分信息是为了弥补之前在voxel化时丢失的信息)，来自BEV的高级信息 f i b e v f^{bev}_i fibev.
- Predicted Keypoint Weighting.
（1）上述的特征融合实际上都是为了进一步的refine做准备，第一阶段的proposals实际上是由voxel-based的方法提出来的，这一步 Keypoint Weighting的工作是为了给来自背景和前景的关键点一个不一样的权重，使得前景对refine的贡献更大。
（2）为了做这样的一个工作，作者设计了如下的额为的网络结构。这里面的Label对应的是是否在gt内，采用fcoal_loss。
3.3 Keypoint-to-grid RoI Feature Abstraction for Proposal Refinement
这就是作者提出的第二阶段，refinement，前文提到通过3D稀疏卷积处理voxel已经得到了比较好的精度的proposals，但是多尺度的keypoint的特征是为了进一步refine结果。因此作者在这个阶段提出了keypoint-to-grid RoI feature abstraction模块。如下：
（1）从该模块名称和图就可以看得出来，作者是想通过将key-point的特征整合到grid-point中去，并且也采用了multi-scale的策略。作者在每个proposals中都采样 6 × 6 × 6 6×6×6 6×6×6个grid points.
（2）首先确定每一个grid-point的一个半径下的近邻，然后再用一个pointnet模块将特征整合为grid_point的特征，这里会采用多个scale的特征融合手段。
（3）得到了所有的grid-point的点特征后，作者采用两层的MLP得到256维度的proposals的特征。
- 3D Proposal Refinement and Confidence Prediction
作者在confidence prediction branche 这一分支上采用了前人提出的 3D Intersection-over-Union (IoU)，对于第k个ROI的置信度的目标是如下公式：
y k = min ( 1 , max ( 0 , 2 IoU k − 0.5 ) ) y_{k}=\min \left(1, \max \left(0,2 \operatorname{IoU}_{k}-0.5\right)\right) yk=min(1,max(0,2IoUk−0.5))
该公式中 I o U k {IoU}_{k} IoUk表示第k个ROI对应的GT，因此confidence prediction branche的LOSS函数采用的是交叉熵loss：
L i o u = − y k log ( y ~ k ) − ( 1 − y k ) log ( 1 − y ~ k ) L_{\mathrm{iou}}=-y_{k} \log \left(\tilde{y}_{k}\right)-\left(1-y_{k}\right) \log \left(1-\tilde{y}_{k}\right) Liou=−yklog(y~k)−(1−yk)log(1−y~k)
y ~ k \tilde{y}_{k} y~k是预测的置信度的分数，如下的实验表明采用这种置信度是能提高算法的精度的。
3.4. Training losses
- RPN loss
L r p n = L c l s + β ∑ r ∈ { x , y , z , l , h , w , θ } L s m o o t h ( Δ r a ^ , Δ r a ) L_{\mathrm{rpn}}=L_{\mathrm{cls}}+\beta \sum_{\mathrm{r} \in\{x, y, z, l, h, w, \theta\}} \mathcal{L}_{\mathrm{smooth}}\left(\widehat{\Delta \mathrm{r}^{a}}, \Delta \mathrm{r}^{a}\right) Lrpn=Lcls+βr∈{x,y,z,l,h,w,θ}∑Lsmooth(Δra ,Δra)
- keypoint seg loss也就是前背景关键点的权重loss。
- refinement loss 定义如下：
L r a n n = L i o u + ∑ r ∈ { x , y , z , l , h , w , θ } L s m o o t h ( Δ r p ^ , Δ r p ) L_{\mathrm{rann}}=L_{\mathrm{iou}}+\sum_{\mathrm{r} \in\{x, y, z, l, h, w, \theta\}} \mathcal{L}_{\mathrm{smooth}}\left(\widehat{\Delta \mathrm{r}^{p}}, \Delta \mathrm{r}^{p}\right) Lrann=Liou+r∈{x,y,z,l,h,w,θ}∑Lsmooth(Δrp ,Δrp)
这里的两部分loss第一个置信度LOSS也就是前文提出的LOSS，后面的SmoothL1 LOSS和以前的一样。
4. Experiments
有一些参数设置和实验的实现细节，博主就不写下来了。原文很详尽。列出实验效果吧。在test的数据集上:几乎都好比第二名好几个点，真的牛。
在watmo上如下：
