＜论文阅读＞ M2BEV Multi-Camera Joint 3D Detection and Segmentation with Unified Bird’s-Eye View Represen

0. 为什么要读这篇论文

首先，作者本人并不是这个领域的科研工作者，只能说是自动驾驶领域的一个工程师，我更希望我做的每一件事情，读的每一篇文章都在帮我解决一个问题或者一个疑惑。

那么，谈一下为什么要读这篇文章，自动驾驶视觉感知领域算法开发这个领域可谓是日新月异，越来越多的事物可以被感知到，更多的摄像头参与到了感知算法中，从一开始的1V（前视）到5V，再到8V，从1M像素到2M再到现在8M的摄像头，甚至还有双目和RGBD的参与。全方位的视觉感知，直接就加重了自动驾驶硬件的负担，不说AI算力的问题，单单读取这些摄像头的数据，一般的平台直接就挤爆带宽了。如果每个摄像头的对应深度网络都在运行，实时实现检测和分割的任务，虽然没有实际评估过（事实上也要看有多少任务在同时运行），但估计两个Orin，1000TFlops的算力也得吃紧吧。

事实上，现在主流方案基本都是单摄像头多任务网络，多个检测头共用主干网，确实将encoder这部分的计算共享了，省了一大部分计算量。但是多摄像头的任务依然存在，我们不可能将前视的主干网和侧视的主干网共用，采集特征根本不一样。这也是这篇文章的意义所在，将2D转Bird View，直接在鸟瞰视角去做训练，这就有点像倒车影像的演化，从后视加环视，到现在很多车上直接有融合好的车辆360。不知道这篇作者的想法是不是来自于这点。

1. 摘要

和前面提到的类似，作者提出了M2BEV框架，在BEV（Bird Eye View）中执行3D的目标检测和图像分割任务，提高了检出效率。整个框架包括4个主要的设计：（1）高效的BEV Encoder设计减小了特征图的维度; （2）针对3D boxes Anchor的优化，提出了一种动态的策略，可以关注一下和RPN有何区别； （3）A BEV centerness re-weighting that reinforces with larger weights for more distant
predictions。这点目前没有完全理解，可能是权重优化方向的一种设计，增强了一些边缘框的检出率； （4）)Large-scale 2D detection pre-training and auxiliary supervision。应该是模型预训练的方法和Loss函数的复合方法上的优化，后面再细致看一下作者做了什么。

2. Introduction

2.1 当前自动驾驶行业的主要任务
（1） 3D Object detection
（2）BEV Segmentation

2.2 本文的目标
目前已经提出的方法不适合360 多任务的感知，作者提出多目摄像头并且不含Lidar的3D目标检测和BEV分割架构。现在看起来主要是Unified BEV Feat可能是区别于一般多任务网络的核心。

2.3 三种当前主流的方案
（1）Monocular 3D object detection: CenterNet、FCOS3D等，分别在每个 camera view预测 3D BBox， 通过后处理，将每个视角的BBox进行融合 。这些步骤是非鲁棒的，很难给后续规控使用；
（2）Pseudo LIDAR： 通过单目或者双目推测深度信息，来重建3D 体素信息，但是这种方法需要依赖于深度标注信息。依目前读者了解，深度标注在行业内还处于探索阶段，量产还没听说过，即时能标注，高额的标注费用也是需要考虑的；
（3）Transformer based method：DETR3D 将3D目标检测投影到多视角2D images下，从而实现了多视角3D 检测。这话稍微有点绕，我理解就是多视角2D信息一起喂到网络里，其实和作者的想法已经非常接近了，但是这个网络没有实现BEV层级的分割任务。下次再读一下 DETR3D这篇文章。

读到这边，其实大概已经有点理解了。现在问题是多视角的标注方法，应该是多图同步进行标注，所以数据对其这点特别重要，其次，目标比较好标注，各个视角图对同一目标进行标注就行，但车道线这种标起来估计就要想一下，感觉会有点问题。

2.4 作者的贡献
（1）新的架构，第一次将3D object detection和BEV Segmentation两个任务放到同一个网络架构里；
（2）对BEV encoder, dynamic box assignment, BEV centerness进行了优化，例如用了S2C operator 实现了4D体素信息转3D BEV tensor；
（3）通过2D annotation 和2D auxiliary supervision 对encoder部分进行pre-trainning，优化了效率和最终执行的性能。

3. 相关工作

3.1 Monocular 3D Detection
（1）早起通过单目2D来预测3D的方法是首先预测一个2Dbox，然后通过啊另一个自网络来回归出3D boxes；
（2）伪3D转换，将RGB图转换成其他的形式，如OFT或者伪LiDAR；
（3） SS3D在训练过程中加入了 3D IOU信息；
（4）FCOS3D 在检测分支加入了3D测距和3D box预测；
（5）PGD使用了对不同目标使用了几何关系来进行深度预测；
关于单目3D检测这部分，目前应该是大部分公司想要的东西，但是在行业里面目前还没有很好的量产产品，我觉得上面说的这些文章也值得去看一下。
说到底，量产会思考做3D检测的成本和其最后的作用，自动驾驶在当前多传感器融合的时代，视觉已经能实现90%以上的目标识别准确率，有没有必要花几百万甚至上千万去优化出一个3D视觉目标Demo，在测距原理没有明显更新的当下，3D目标无非相比2D目标多了一些航向信息或者姿态信息，这个信息从3D视觉输出的准确度有多少？目标是多少？如何去评估？是否需要和测距出来的速度信息进行融合？以及能否通过其他更为简单的方式给出视觉输出的航向信息？这些都是值得研究的。单目3D detection研究还是有一定价值的，毕竟目前很多在跑的车的配置也就是单目的，如果在这个领域有突破，相信行业内部还是很乐意采用的，毕竟我不需要用伪LiDAR或者LiDAR的方式去实现，整车不知道省了多少成本。

3.2 Multi-view 3D Detection
（1） 常规操作：各个摄像头跑自己的网络，靠后处理来做融合，但是后处理程序没有办法和网络集成在一起，没有办法和网络一起优化。还有一个问题，后处理部分不一定有GPU等并行硬件加速，如果有大规模的特征匹配，可能会导致整个结果输出FPS极慢；
（2）ImVoxelNet: 将多视角二维图像信息向三维体素信息进行投影，所有的训练在体素特征上进行。整个听起来应该和作者的思路很像了，用网络将多视角信息进行了融合，后续再细看一下；

• ImVoxelNet读一下相关论文；
  这篇论文大概读了一下算法框架，大家有兴趣可以细读一下，论文地址。整体来说，作者先将多视角的信息进行2D CNN处理，处理方法和本文作者的方法几乎一致，下采样到H/32×W/32获得四个特征图，通过FPN网络进行特征融合到到H/4×W/4，然后根据PoseR向3D投影X×Y ×Z×C，多视角再取平均值获得3Dvolume。通过上述操作，完成了2D到3D的特征图投影，再进入neck部分，也就是3D CNN，最后输出head来预测3D BBox，参数为(x, y, z, w, h, l, θ)，x,y,z为3D BBox的中心点，w,h,l为宽、高、长， θ为航向角，或者说z轴的转角。

。

（3）DETR3D： 是DETR网络的3D扩展版，这个也需要后续细看一下相关论文，这部分我会尝试写个小的综述；

• 读一下相关论文，搞个综述报告；
  整体来说和ImVoxelNet方法没有太大区别，都是ResNet50加4层FPN去提取特征，这篇文章里面的维度描述很清楚。
  3.3 BEV Segmentation（1）VPN：一种简单的转化模块，通过两层感知机将特征图从透视图转化为鸟瞰图。这个听起来有点意思，后续关注； - [ ] 了解一下VPN实现的方法； （2）PON： 提出了一种transformer architecture，将图像信息转换成BEV;

• 了解PON实现方法;
  

（3）LSS： 通过估计隐式的深度分布来将2D特征转到3D BEV，

• 这个了解一下；

（4）NEAT： 使用Neural Attention fields来预测鸟瞰图坐标系下目标；

4. Method

4.1 Architecture

4.2 2D Image Encoder
首先，是Encoder部分， Encoder本身是一个提取特征的过程，也称作主干网，作者用的是Resnet。
输入是N张图片，图片维度应该是HW3，每一张图片会走四层Encoder，F1、F2、F3、F4，每一层输出维度为

作者定义的融合维度为H/4 * W/4，所以小于该维度F2，F3，F4都要进行上采样。上采样之后，通过11卷积将这四层输出进行concatenate, 此时维度为HWC，如果有6个视角，那输出的特征图就是6HWC。（这部分有点疑问，因为作者在文字描述里面输出是H/4 * W/4，比较奇怪，目前不太清楚是做了特征融合还是特征扩充）

4.3 2D→3D Projection
假设图像中的某个像素P ∈ H×W×3，三维世界中的一个点V ∈ X×Y ×Z×C。根据相机坐标系转换关系，

I和E分别是相机的内参和外参，当深度D未知的时候，每个像素点对应三维世界一系列的点。
作者根据这一点，假设深度在这一系列点上的分布是一个均匀分布，也就是说三维空间的这些点都有图像的这个像素的信息。

• 待办：看一下这部分的网络架构；

4.4 3D-BEV Encoder

BEV Encoder的作用就是使用3D卷积将Z方向上的维度压缩掉。作者在这里用了Spatial to Channel的方式优化。具体做法就是先用torch.reshape将4D tensor XYZC压缩成XY*ZC，然后使用2D卷积进行Channel方向的压缩，这样的占用内存和计算量会少很多。

4.5 3D DetectionHead
作者直接使用点云的网络PointPillars的3D检测头，优化了anchors的分配方法来解决NMS问题。

• 补充这部分的网络架构

4.6 BEV Segmentation Head
作者用了 4层3×3卷积层+1×1卷积进行上采样，输出H×W×N。 最后像素分类简化为N=2，drivable
area and lane boundary

• 补充这部分网络架构