【3D目标检测】PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud

---

前言

1. 为什么要做这个研究？
之前的方法做3D目标检测通常都是将点云投影到BEV视图或者正面图，又或者投射到体素中，效率比较低下。
2. 实验方法是什么样的？
PointRCNN分为两个阶段：
Stage-1：

• 通过PointNet++提取全局点云的特征；
• 进行前景分割（使用Focus Loss），并从前景点回归粗粒度的bounding box；
• 在bounding box的生成中，使用bin-based方法回归损失估计bounding box的中心点；
• bin-based方法是对每个前景点都以其为原点构建X-Z坐标系，预测bounding box中心点在哪一个bin里面，再对其进行精确地残差回归。
• 基于BEV图做NMS去除冗余的bounding box，训练阶段只保留300个进入stage-2。

Stage-2：

• 扩大Stage-1输入的bounding box，保留扩大框中的点和特征；
• 将每个bounding box通过正交变换转到以自身中心为原点的local坐标系，以便更好地学习bounding box中的局部空间信息；
• 使用PointNet++的SA module提取特征，得到最后每个点的特征向量，进行置信分类和box微调；
• 同样使用bin-based方法进行proposal回归。

3. 创新与不足

• 第一个只使用原始点云的two-stage anchor free 3D目标检测模型；
• 通过语义分割获取前景点并回归proposal，避免了在整个3D空间搜索proposal；
• 使用bin-based回归loss，提高了网络的收敛速度和准确率；
• 对每个proposal使用正交转换，这样box微调阶段可以更好地学习局部空间特征；
• 不足： 大规模点云上使用PointNet++比较慢。

摘要

PointRCNN是一个用于原始点云的3D目标检测模型，整个框架由两个阶段组成：stage-1为自底向上的3D候选框生成阶段，stage-2在规范坐标下微调proposal获得最终的检测结果。不同于之前的通过RGB图像生成候选框或者将点云投射到BEV图或体素上，PointRCNN的stage-1通过将整个场景的点云分割成前景点和背景点，以自下而上地方式从点云中生成少量高质量的3D候选框。Stage-2将每个候选框的池化点转换到正交坐标系，更好地学习局部空间特征，并与stage-1学习的每个点的全局语义特征相结合，实现Box优化和置信度预测。在KITTI数据集的3D检测基准实验中表明，PointRCNN仅使用点云作为输入，结果SOTA。
论文链接：https://arxiv.org/abs/1812.04244
代码链接：https://github.com/sshaoshuai/PointRCNN

1. 介绍

由于3D目标的不规则数据格式和6自由度(DoF)搜索空间大，利用点云检测3D目标仍然面临巨大挑战。之前的方法或是将点云投影到BEV视图、正面视图，或是投射到规则的3D voxel中，而PointRCNN直接从原始点云自下而上地生成3D候选框。

不同于2D图像，用于3D目标检测的训练数据直接为3D目标分割提供了语义掩码。基于此观测结果，PointRCNN在stage-1自下而上地生成3D候选框，利用3D bounding box 生成 ground-truth 分割掩模。Stage-1对前景点进行分割，并从分割点同时生成少量的候选框。该策略避免了以往方法在整个3D空间中使用大量的3D锚盒，节省了计算量。
Stage-2进行规范3D box改进，生成3D候选框后，采用点云区域池化操作将stage-1中学习到的点表示进行池化。与现有的直接估计全局盒坐标的3D方法不同，合并后的3D点被转x换为规范坐标，并与合并后的点特征以及stage-1的分割掩码相结合，学习相对坐标细化。提出了基于全箱的3D box回归损耗来生成和细化候选框。
贡献：

• 提出了一种新颖的自底向上的基于点云3D候选框生成算法，该算法将点云分割为前景对象和背景，生成少量高质量的3D候选框。从分割中学习到的点表示不仅善于生成候选框，而且对后续的box优化也有帮助。
• 提出的规范3D边界框利用了stage-1生成的高召回盒提案，并在带有高鲁棒性的基于区域的损失的规范坐标中学习优化框坐标。
• PointRCNN仅使用点云作为输入。

2. PointRCNN算法框架

2.1 Bottom-up 3D proposal generation via point cloud segmentation

2D目标检测算法中，one-stage方法通常更快，直接估计目标的边界框而没有微调；two-stage方法在第二阶段微调proposals和confidence。然而，由于3D搜索空间非常大和点云的不规则格式，直接将two-stage方法从2D拓展到3D不太合适。
AVOD在3D空间放置80-100k个anchor boxes，并在多个视图中对每个anchor池化特征生成proposals。
FPointNet从2D图像中生成2D proposals，并根据从2D区域裁剪出来的3D点估计3D boxes，但这样可能会漏掉只能从3D空间清晰观察到的物体。

作者提出了基于全场景点云分割的3D proposals生成算法。在3D场景中，物体是自然分开的，相互没有重叠。所有3D物体的分割掩码都可以通过其3D边界框注释直接获得，即将3D框内的3D点视为前景点。该算法逐点学习特征分割原始点云，并从分割好的前景点中生成3D proposals，这样就避免了在3D空间中使用大量预定义的3D boxes，极大地限制了3D proposals生成的搜索空间，提高召回率。
Learning point cloud representations
使用多尺度分组的PointNet++作为骨干网络，也可以选择VoxelNet。
Foreground point segmentation
同时进行前景分割和3D proposals生成，考虑到主干点云网络编码的逐点特征，添加了一个用于估计前景掩码的分割头和一个用于生成3D proposals的box回归头。对于点云分割，ground-truth分割掩模由3D ground-truth box提供。对于大型户外场景，前景点的数量通常比背景点的数量要小得多。因此，作者使用焦点损失来处理类不平衡问题。焦点损失减少了简单示例的损失贡献，并加强了对纠正错误分类示例的重视。

训练点云分割时，默认设置$\alpha =0.25,\gamma =2$。
Bin-based 3D bounding box generation
之前已经分割出前景点了，box回归头直接从前景点回归3D proposals位置。尽管没有从背景点回归box，但由于点云网络的感受野，这些背景点也为生成box提供了支持信息。
3D边界框在LiDAR坐标系中表示为$(x,y,z,h,w,l,\theta )$，其中(x,y,z)为物体中心位置，(h,w,l)为物体大小，$\theta$为物体从鸟瞰角度的方向，也就是偏航角。针对proposals中心点的定位，作者提出了bin-based方法。

对于每一个分割出的前景点，都对其X-Z坐标系构建一个网格，单方向搜索范围为S，每一格等长为$\delta$，这样就可以初步预测中心点在哪一个bin里面，再对其进行精确地残差回归。Y轴由于比较扁平，因此可以直接使用smooth L1 loss回归。

$(x^{(p)},y^{(p)},z^{(p)})$是感兴趣的前景点的坐标；
$(x^p,y^p,z^p)$对应物体的中心坐标；
$bi{n}_x^{(p)},bi{n}_z^{(p)}$是X、Z轴上的ground-truth bin；
$re{s}_x^{(p)},re{s}_z^{(p)}$是在被分配的bin中做进一步定位微调的ground-truth残差；
C是归一化的bin长度。
训练及损失函数
在实验过程中，对于基于bin的预测参数 x、z、$\theta$，首先选择置信度最高的bin中心点，再使用smooth L1 loss回归长宽高和y值。在训练时，采用0.85 IoU的NMS去除BEV图上的proposals，只保留前300进入stage-2的模型（测试的时候只保留前100）。
不同的训练损失项下的整个3D边界框的回归损失$L_{reg}$可表示为：

$N_{pos}$是前景点的数量；
${bi{n}_u}^{(p)},{re{s}_u}^{(p)}$是前景点p的被预测的bin分配和残差；
$bi{n}_u^{(p)},re{s}_u^{(p)}$是上面已经计算过的ground-truth对象；
$F_{cls}$是分类的交叉熵损失；
$F_{reg}$是smooth L1 loss。

2.2 Point cloud region pooling

扩大3D proposals
对于每个3D proposals， 放大一定的大小得到一个新的3D框，获取更多的context信息。
$b_i=(x_i,y_i,z_i,h_i,w_i,l_i,{\theta }_i)$
to $b_i^e=(x_i,y_i,z_i,h_i+\eta ,w_i+\eta ,l_i+\eta ,{\theta }_i)$
$\eta$是一个用来放大box的大小的固定值。
判断点是否在扩大的边界框内
对于每个点p，若在扩大框内，则该点及其特征会被保留用来微调$b_i$。
内部点p的特征包括：3D坐标$(x^{(p)},y^{(p)},z^{(p)})\in {\mathbb{R}}^3$、激光反射强度$r^{(p)}\in {\mathbb{R}}^3$，来自stage-1的预测分割掩码$m^{(p)}\in \{0,1\}$和点特征表示$f^{(p)}\in {\mathbb{R}}^c$。
通过分割掩码$m^{(p)}$来区分扩大框中的是前景点还是背景点，点特征$f^{(p)}$用于分割和生成proposals，然后消除没有内部点的proposals。

2.3 Canonical 3D bounding box refinement

如图2所示，每个proposal的池化点及其特征都被喂入stage-2中，用来微调3D框的位置及其前景目标置信度。

Canonical transformation（正交变换）
利用正交变换转换到每个proposal的local坐标系，一个3D proposal的正交坐标系表示：

• 坐标系的中心点是proposal的center；
• $X^{{}^{\prime }},Z^{{}^{\prime }}$轴平行于地平面，$X^{{}^{\prime }}$轴指向proposals的heading方向，$Z^{{}^{\prime }}$轴垂直于$X^{{}^{\prime }}$轴；
• $Y^{{}^{\prime }}$轴与LiDAR坐标系保持一致；

proposal内的点p都从原来的坐标转换为local坐标系$\tilde{p}$，这样box优化阶段可以更好地学习每个proposal的局部空间特征，学习的方法同stage-1一样，也是利用PointNet++的结构结合bin-based的方式，把回归问题转换为分类问题。

Feature learning for box proposal refinement
微调子网络的组成
微调子网络结合了已转换的局部空间点特征$\tilde{p}$及其来自stage-1的全局语义特征$f^{(p)}$。
正则变换的缺陷和解决方法
正则变换能够实现鲁棒的局部空间特征学习，但会丢失每个对象的深度信息。例如，由于LiDAR传感器扫描的时候，远处的物体通常比附近的物体拥有更少的点。为了补偿深度信息的丢失，将到传感器的距离$d^{(p)}=\sqrt{(x^{(p)}{)}^2+(y^{(p)}{)}^2+(z^{(p)}{)}^2}$纳入点p的特征中。
微调方法
对于每个proposal，首先将其关联点的局部空间特征$\tilde{p}$和额外特征$[r^{(p)},m^{(p)},d^{(p)}]$concate后经过几个全连接层，将它们的局部特征编码为与stage-1得到的全局特征$f^{(p)}$相同的维数。然后将局部特征和全局特征concate起来，用PointNet++的SA module提取特征，得到最后每个点的特征向量，进行置信分类和box微调。
Losses for box proposal refinement
采用类似stage-1的bin-based方法来优化proposal。如果gt box和proposal的IoU>0.55，则将该gt box分配给3D box proposal来学习box微调。
3D proposals和相应的3D gt box都被转换成正交坐标系，因此，
3D proposal: $b_i=(x_i,y_i,z_i,h_i,w_i,l_i,{\theta }_i)$
to ${\tilde{b}}_i=(0,0,0,h_i,w_i,l_i,0)$;

3D ground-truth box: $b_i^{gt}=(x_i^{gt},y_i^{gt},z_i^{gt},h_i^{gt},w_i^{gt},l_i^{gt},{\theta }_i^{gt})$
to ${\tilde{b}}_i^{gt}=(x_i^{gt}-x_i,y_i^{gt}-y_i,z_i^{gt}-z_i,h_i^{gt},w_i^{gt},l_i^{gt},{\theta }_i^{gt}-{\theta }_i)$。
Stage-2的loss整体为：

$B$是来自stage-1的3D proposals集合；
$B_{pos}$存放了positive的回归proposals；
$pro{b}_i$是估算的$\widetilde{b_i}$的置信度；
$labe{l}_i$是对应的label；
${\tilde{L}}_{bin}^{(i)},{\tilde{L}}_{res}^{(i)}$和公式3相似，但是用的是上面提到的通过${\tilde{b}}_i^{gt},\widetilde{b_i}$计算的新结果。
最后，通过BEV视图上NMS IoU>0.01去除重叠的proposal。

3. 实验细节

网络结构
Stage-1的输入是16384个点，采用PointNet++，经过4次SA层（多尺度分组）提取特征，采样个数为[4096, 1024, 256, 64]，然后经过4次FP层获得逐点特征向量进行分割和proposal生成；
Stage-2的输入是每个proposal的合并区域随机抽取的512个点，采用3次SA（单尺度分组），采样个数为[128, 32, 1]，生成单个特征向量，用于目标置信度分类和proposal位置优化。
Stage-1（car）

• 选择ROI（Region of Interest）的时候在原前景分割的基础上向外扩0.2m；
• bin-based的中心点预测时，单方向搜索范围S=3m，箱子大小$\delta$=0.5m；
• 偏航角预测n=12；
• epoch=200，batch size=16，learning rate=0.002。

Stage-2（car）

• Box置信度的输出：IoU>0.6为正例，IoU<0.45为负例；
• 角回归的输出：IoU>0.55；
• bin-based参数：S=1.5m，$\delta$=0.5m，旋转角为10°；
• epoch=50，batch size=256，learning rate=0.002

数据增强
随机翻转，[0.95,1.05]放缩比例因子，绕Y轴旋转[-10°,10°]。

4. 实验结果

5. 总结

PointRCNN是一个two-stage的3D detection模型。模型分为两个阶段，Stage-1先使用PointNet++作为主干网络，分割出前景点，生成少量粗粒度的3D proposal；Stage-2进一步优化proposal。将这些bounding box通过正交变换转换到自己的局部坐标系下，再使用PointNet++学习局部特征，完成优化。