详解两阶段3D目标检测网络 Voxel R-CNN：Towards High Performance Voxel-based 3D Object Detection
本文介绍一篇两阶段的3D目标检测网络：Voxel R-CNN，论文已收录于AAAI 2021。 这里重点是理解本文提出的 Voxel RoI pooling。
论文链接为：https://arxiv.org/pdf/2012.15712.pdf
项目链接为：https://github.com/djiajunustc/Voxel-R-CNN
0. Abstract
这里先给出本文摘要：
3D目标检测的最新进展在很大程度上取决于如何表示3D数据，即基于体素（voxel-based）或基于点（point-based）的表示。 许多现有的高性能3D检测器都是基于点的表示，因为这种结构可以更好地保留点的精确位置。 尽管如此，由于点云的无序存储，往往会导致很高的计算开销。 相反，基于体素的结构更适合于特征提取，但由于输入数据被划分成网格，往往会产生较低的精度。
在本文中，作者提出了一个稍微不同的观点，作者发现：对原始点的精确定位对于高性能的3D目标检测来说并不是必不可少的，粗体素粒度也可以达到很高的检测精度。 考虑到这一点，作者设计了一个简单但有效的基于体素的目标检测网络，即Voxel R-CNN。通过在两阶段方法中充分利用体素特征，最终获得了与最先进的基于点的模型（PV-RCNN）相当的检测精度，但计算开销减少了许多。Voxel R-CNN由3D主干网络、2D鸟瞰网RPN以及检测头组成。作者在本文中设计了一个voxel RoI pooling，可直接从体素特征中提取RoI特征，以便进一步处理。在KITTI数据集和Waymo数据集上的实验结果表明，与现有的基于体素的方法相比，Voxel R-CNN在保持实时帧处理速率的同时（即在NVIDIA RTX 2080Ti GPU上以25FPS的速度）提供了更高的检测精度。
1. Introduction & Reflection on 3D Object Detection
( 本文的引言部分和第二部分对3D目标检测的思考部分这里就不详细介绍了，大家可以查看原文，我在这里大致总结下。)
首先是引言部分，现在的3D目标检测大致可以分为两类：基于体素（voxel-based）的检测方法有VoxelNet，SECOND，PointPillars，基于原始点的（point-based）检测方法有STD，PointRCNN，3DSSD，PV-RCNN。从检测性能来看，基于点的检测精度更高，相应地计算效率还不是很快。随着检测算法的日益成熟，现在有一个新的问题出现了：我们是否能设计一个算法，既能达到基于点检测的高精度又能实现基于体素检测一样高的效率？
下面作者在文中回顾了SECOND和PV-RCNN两类检测算法，可以看到SECOND和PV-RCNN在检测精度上有着很大的差距。两个检测算法的主要差异在于：
SECOND是一阶段检测算法，PV-RCNN是两阶段检测算法，PV-RCNN使用了检测头进行检测的进一步优化。PV-RCCN中的关键点保留了3D结构信息，而SECOND是在鸟瞰图(BEV)上进行检测。
从表1可以看出添加了检测头之后，SECOND的检测精度提升了0.6%，但是仍然远低于PV-RCNN，这表明两阶段检测能提高检测精度，但是鸟瞰图仍然不足以对3D物体进行准确表示。表2可以看出，PV-RCNN中作者提出了VSA模块，这是一个点-体素（point-voxel）特征交互操作，基本消耗了整个运行时间的一半，直接导致检测效率大幅下降。
简单总结下：
3D结构对于3D检测器来说至关重要，而鸟瞰图表示不足以精准预测bounding-box。point-voxel特征计算非常耗时，影响着检测效率，最终作者在本文提出了一个voxel-only的3D检测器。
 |
 |
2. Voxel R-CNN Design （重点）
Voxel R-CNN是基于体素的用于3D目标检测的两阶段网络，网络结构图如上图所示。可以看出 Voxel R-CNN由三部分组成：
3D骨干网络2D骨干网络和（RPN）Voxel RoI pooling和Detect Head。
在Voxel R-CNN中，首先将原始点云划分为有规则的体素，然后利用3D骨干网络进行特征提取。 然后将稀疏的3D体素转换为BEV表示形式，在其上应用2D骨干网和RPN生成3D区域方案。 最后使用Voxel RoI Pooling提取RoI特征，将提取的特征输入Detect Head以进行进一步优化。下面详细讨论这些模块。由于本文的主要创新在于Voxel RoI pooling，因此首先对其进行介绍。
2.1 Voxel RoI pooling
Voxel Volumes as Points： 这里先给出了volumes的表示，由非空voxel中心坐标 { v i = ( x i , y i , z i ) } i = 1 N \left\{\boldsymbol{v}_{i}=\right.\left.\left(x_{i}, y_{i}, z_{i}\right)\right\}_{i=1}^{N} {vi=(xi,yi,zi)}i=1N和特征向量 { ϕ i } i = 1 N \left\{\phi_{i}\right\}_{i=1}^{N} {ϕi}i=1N组成。
Voxel Query： 如下图所示。在之前的最近邻voxel查找方法中，使用最多的是Ball Query，这里作者提出了Voxel Query，使用曼哈顿距离来进行查找，通过设置曼哈顿距离阈值来采样 K K K个voxels。
假设有两个voxels ： α = ( i α , j α , k α ) \alpha=\left(i_{\alpha}, j_{\alpha}, k_{\alpha}\right) α=(iα,jα,kα)和 β = ( i β , j β , k β ) \beta=\left(i_{\beta}, j_{\beta}, k_{\beta}\right) β=(iβ,jβ,kβ)，两个voxels之间的曼哈顿距离计算公式为：
D m ( α , β ) = ∣ i α − i β ∣ + ∣ j α − j β ∣ + ∣ k α − k β ∣ D_{m}(\alpha, \beta)=\left|i_{\alpha}-i_{\beta}\right|+\left|j_{\alpha}-j_{\beta}\right|+\left|k_{\alpha}-k_{\beta}\right| Dm(α,β)=∣iα−iβ∣+∣jα−jβ∣+∣kα−kβ∣
假设有 N N N个非空voxels，使用Ball Query则时间复杂度为 O ( N ) O(N) O(N)，使用voxel query时间复杂度则为 O ( K ) O(K) O(K)，最近邻voxels查找效率上得到了有效改善。
Voxel RoI Pooling Layer： 首先将候选方案划分为 G × G × G G \times G \times G G×G×G个子体素（sub-voxels）。其中心点就是网格点，由于3D特征volumes是很稀疏的，非空voxels大约只占3%空间，不能直接对每个voxel使用最大池化操作。这里作者设计了一个PointNet模块，将近邻voxels特征融合到网格点，模块如下：
η i = max k = 1 , 2 , ⋯ , K { Ψ ( [ v i k − g i ; ϕ i k ] ) } \boldsymbol{\eta}_{i}=\max _{k=1,2, \cdots, K}\left\{\Psi\left(\left[\boldsymbol{v}_{i}^{k}-\boldsymbol{g}_{i} ; \boldsymbol{\phi}_{i}^{k}\right]\right)\right\} ηi=k=1,2,⋯,Kmax{Ψ([vik−gi;ϕik])}
其中 v i k − g i v_i^k-g_i vik−gi表示相对坐标， g i g_i gi是网格点坐标， ϕ i k \phi_{i}^{k} ϕik是voxel特征向量， Ψ \Psi Ψ表示多层感知机， η i \eta_{i} ηi是融合的特征向量。在具体实现上，作者在3D主干网最后两层提取了voxel特征，并且在每一层使用了两个不同的曼哈顿距离进行voxel融合，最后将这些不同层不同距离的voxel特征进行融合来获得RoI特征。
Accelerated Local Aggregation： 在这里作者还提出了一个加速PointNet模块。如下图所示，在图（a）中，假设有 M M M个网格点，每一个网格点需要查找 K K K个voxels，每个voxel特征向量为 C + 3 C+3 C+3，融合后的特征向量为 C ′ C^{\prime} C′。则时间复杂度为 O ( M × K × ( C + 3 ) × C ′ ) O\left(M \times K \times(C+3) \times C^{\prime}\right) O(M×K×(C+3)×C′)。
在图（b）中，将voxel特征和相对坐标进行拆分，由于特征向量和网格点是相互独立的，我们对每个voxel进行特征变换，则此时间复杂的为 O ( N × C × C ′ ) O\left(N \times C \times C^{\prime}\right) O(N×C×C′)；进行voxel query后，我们对相应voxel进行位置特征转换，此时间复杂度为 O ( M × K × 3 × C ′ ) O\left(M \times K \times 3 \times C^{\prime}\right) O(M×K×3×C′)，最终时间复杂度为 O ( N × C × C ′ + M × K × 3 × C ′ ) O\left(N \times C \times C^{\prime} + M \times K \times 3 \times C^{\prime}\right) O(N×C×C′+M×K×3×C′)，由于 M × K M \times K M×K高出 N N N一个数量级，所以其时间复杂度小于 O ( M × K × ( C + 3 ) × C ′ ) O\left(M \times K \times(C+3) \times C^{\prime}\right) O(M×K×(C+3)×C′)。
2.2 Training Objectives
( 本节的主干网和区域方案部分以及检测头这里就不详细介绍了，大家可以查看原文，这里对损失函数进行介绍。)
Losses of RPN： RPN损失函数为分类损失和回归损失，函数为：
L R P N = 1 N f g [ ∑ i L c l s ( p i a , c i ∗ ) + 1 ( c i ∗ ≥ 1 ) ∑ i L r e g ( δ i a , t i ∗ ) ] \mathcal{L}_{\mathrm{RPN}}=\frac{1}{N_{\mathrm{fg}}}\left[\sum_{i} \mathcal{L}_{\mathrm{cls}}\left(p_{i}^{a}, c_{i}^{*}\right)+\mathbb{1}\left(c_{i}^{*} \geq 1\right) \sum_{i} \mathcal{L}_{\mathrm{reg}}\left(\delta_{i}^{a}, t_{i}^{*}\right)\right] LRPN=Nfg1[i∑Lcls(pia,ci∗)+1(ci∗≥1)i∑Lreg(δia,ti∗)]
其中 N f g N_{fg} Nfg为前景anchors数量， p i a p_{i}^{a} pia和 δ i a \delta_{i}^{a} δia是分类和回归输出， c i ∗ c_{i}^{*} ci∗和 t i ∗ t_{i}^{*} ti∗是对应分类和回归目标。 1 ( c i ∗ ≥ 1 ) \mathbb{1}\left(c_{i}^{*} \geq 1\right) 1(ci∗≥1)表示只计算前景anchors的回归损失。分类损失函数为Focal Loss，回归损失函数为Huber Loss。
Losses of detect head： 第二阶段置信度函数为：
l i ∗ ( I o U i ) = { 0 I o U i < θ L I o U i − θ L θ H − θ L θ L ≤ I o U i < θ H 1 I o U i > θ H l_{i}^{*}\left(\mathrm{IoU}_{i}\right)=\left\{\begin{array}{ll}0 & \mathrm{IoU}_{i}<\theta_{L} \\\frac{\mathrm{IoU}_{i}-\theta_{L}}{\theta_{H}-\theta_{L}} & \theta_{L} \leq \mathrm{IoU}_{i}<\theta_{H} \\1 & \mathrm{IoU}_{i}>\theta_{H}\end{array}\right. li∗(IoUi)=⎩⎨⎧0θH−θLIoUi−θL1IoUi<θLθL≤IoUi<θHIoUi>θH
其中 I o U i \mathrm{IoU}_{i} IoUi是第 i i i个方案和对应真值框的 I o U \mathrm{IoU} IoU。 θ H \theta_H θH和 θ L \theta_L θL是前景 I o U \mathrm{IoU} IoU和背景 I o U \mathrm{IoU} IoU的阈值。置信度预测为二分类交叉熵函数，回归损失为Huber Loss，最终的损失函数为：
L head = 1 N s [ ∑ i L cls ( p i , l i ∗ ( IoU i ) ) + 1 ( IoU i ≥ θ reg ) ∑ i L reg ( δ i , t i ∗ ) ] \begin{aligned}\mathcal{L}_{\text {head }}=& \frac{1}{N_{s}}\left[\sum_{i} \mathcal{L}_{\text {cls }}\left(p_{i}, l_{i}^{*}\left(\operatorname{IoU}_{i}\right)\right)\right.\left.+\mathbb{1}\left(\operatorname{IoU}_{i} \geq \theta_{\text {reg }}\right) \sum_{i} \mathcal{L}_{\text {reg }}\left(\delta_{i}, t_{i}^{*}\right)\right]\end{aligned} Lhead =Ns1[i∑Lcls (pi,li∗(IoUi))+1(IoUi≥θreg )i∑Lreg (δi,ti∗)]
其中 N s N_s Ns是训练阶段的采样区域方案数量， 1 ( IoU i ≥ θ r e g ) \mathbb{1}\left(\operatorname{IoU}_{i} \geq \theta_{r e g}\right) 1(IoUi≥θreg)表示只计算 I o U \mathrm{IoU} IoU大于 θ r e g \theta_{reg} θreg的区域方案。
3. Experiments
实验部分，作者分别在KITTI和Waymo数据集上进行了验证，实验细节这里不介绍了，可以查看代码和论文，下面几张表是实验结果。
 |
 |
 |
 |
下表是Voxel R-CNN在KITTI数据集上的排名情况，在开源项目中目前暂列第一（截至2021-03-01）。
最后作者做了一些分析实验，对本分提出的voxel query和accelerated PointNet进行了实验分析，下面对表格中的5种方法实验结果进行总结：
- ( a ）在BEV特征上进行一阶段检测，效率很快，但精度不高。
- ( b ）添加检测头，精度得到了提高，但使用了
ball querry和原始PointNet Module，效率下降很多。 - ( c ）使用
voxel query，效率得到提高。 - ( d ）使用
加速PointNet Module，效率进一步提高。 - ( e ）本文提出的
Voxel R-CNN，取得了最好的检测性能，同时也取得了voxel-based 方法中最快的检测效率。
