3D 目标检测——IA-SSD

😸IA-SSD主要贡献：

1. 指明了现有 point-based 检测器存在的采样问题，并通过引入两种基于学习（learning-based）的实例感知（instance-aware）下采样策略，提出了一种高效的 point-based 三维检测器
2. 论文提出的方法 IA-SSD （CVPR 2022, Oral）是高效的，且能够使用一个模型在激光雷达点云上检测多类对象。此外，论文还提供了详细的内存占用与推理速度对比分析，以进一步验证所提方法的优越性
3. 在多个大型数据集上的大量实验表明，该方法具有较高的检测效率和精度

✍️尽管并非所有的点对目标检测任务都同等重要，但为了减少内存占用和计算开销，现有的基于点（point-based）的 pipelines 通常采用任务不可知（task-agnostic）的随机采样或最远点采样来逐步向下采样输入点云。此外，对于目标检测器来说，前景点（foreground points）往往比背景点（background points）更重要。因此，论文提出了一种高效、单阶段(single-stage)且基于点的三维检测器 IA-SSD。该方法的关键是利用两种可学习的、面向任务的（task-oriented）、实例感知的下采样策略，分层级地选择（hierarchically select）属于感兴趣对象（objects of interest）的前景点。此外，论文还引入了上下文质心感知（contextual centroid perception）模块来进一步估计精确的实例中心。最后，为了提高效率，论文按照只允许编码器（encoder-only）的架构来构建 IA-SSD。由于低内存占用和高并行度，它在 KITTI 数据集上使用单个 RTX2080Ti GPU 实现了每秒 80 帧以上的卓越速度，且在几个大规模检测 benchmarks 上进行的大量实验证明了 IA-SSD 具有较强的竞争力。下图是在 KITTI 的 benchmark 上比较不同算法的性能：

网络结构

1. 将点云数据输入到网络中提取逐点特征，再通过实例感知下采样来逐步降低计算成本，并保留前景点信息

• 实例感知下采样包含类别感知（Class-aware）采样和质心感知（Centroid-aware）采样这两部分

• 类别感知采样：这种采样策略旨在学习每个点的语义，从而达到选择性的下采样。为了实现这一点，论文引入了额外的分支来获取潜在特性中的丰富语义。即在编码层（ encoding layers）上增加了两个 MLP 层，以进一步估计每个点的语义类别。该采样的损失函数如下

  $$L_{cls-aware}=-\sum _{c=1}^C(s_{i}log({\hat{s}}_i)+(1-s_i)log(1-{\hat{s}}_i))$$

  ✍️其中，$C$ 对应检测的类别个数，$s_i$ 对应 one-hot 编码下的真实标签，${\hat{s}}_i$ 对应预测值

• 质心感知采样：考虑到实例中心估计是最终目标检测的关键之一，论文提出质心感知下采样策略，使更接近实例质心的点具有更高的权重。具体来说，先定义实例的软点掩码（soft point mask），再根据该掩码来得到损失函数

  $$\begin{gathered} Mas{k}_i=\sqrt[3]{\frac{min(f^{\ast },b^{\ast })}{max(f^{\ast },b^{\ast })}\times \frac{min(l^{\ast },r^{\ast })}{max(l^{\ast },r^{\ast })}\times \frac{min(u^{\ast },d^{\ast })}{max(u^{\ast },d^{\ast })}} \\ {L}_{ctr-aware}=-\sum _{c=1}^C(Mas{k}_i\cdot s_{i}log({\hat{s}}_i)+(1-s_i)log(1-{\hat{s}}_i)) \end{gathered}$$

  ✍️其中，$f^{\ast }$、$b^{\ast }$、$l^{\ast }$、$r^{\ast }$、$u^{\ast }$、$d^{\ast }$ 分别对应点到三维边界框的前、后、左、右、上、下这六个面的距离。由此可知，点越接近边界框的质心，mask 的值越大（最大为 1），当点在边界框的某一面上时，mask 的值为最小值 0。损失函数与类别感知采样类似，只不过将软点掩模与前景点的损失项相乘，使靠近中心的点具有更高的概率

2. 学习到的潜在特征（前面保留的前景点信息）进一步输入到上下文质心感知模块，以预测实例的中心

• 上下文质心预测：论文试图利用在边界框周围的上下文线索（contextual cues）来进行质心预测，其损失函数如下

Lcent=1∣F+∣1∣S+∣∑i∑j(∣Δcij^−Δcij∣+∣cij^−ci‾∣)⋅IS(pij)whereci‾=1∣S+∣∑jcij^,IS:P→{0,1} \begin{aligned} &L_{cent} = \frac{1}{|F_{+}|}\frac{1}{|S_{+}|}\sum_i \sum_j (|\Delta_{\hat{c_{ij}}} - \Delta_{c_{ij}}| + |\hat{c_{ij}} - \overline{c_i}|) \cdot I_S(p_{ij}) \\ &where \qquad \overline{c_i} = \frac{1}{|S_{+}|}\sum_{j}\hat{c_{ij}}, \quad I_S : P \rightarrow \{0, 1\} \end{aligned} ​Lcent​=∣F+​∣1​∣S+​∣1​i∑​j∑​(∣Δcij​^​​−Δcij​​∣+∣cij​^​−ci​​∣)⋅IS​(pij​)whereci​​=∣S+​∣1​j∑​cij​^​,IS​:P→{0,1}​

✍️其中，$|S_{+}|$ 是用来预测实例中心的点的数量，${\Delta }_{\widehat{c_{ij}}}$ 是点 $p_{ij}$ 到实例中心偏移量的预测值，${\Delta }_{c_{ij}}$ 是点 $p_{ij}$ 到实例中心偏移量的真实值，$I_S$ 是一个用来判断是否用这个点 $p_{ij}$ 来估计实例中心的指示器函数

• 基于质心的实例聚合：对于位移的代表(质心)点，论文进一步利用 pointnet++ 模块来学习每个实例的潜在表示。具体地说，论文将相邻点转换为局部标准坐标系（local canonical coordinate），然后通过共享的 MLP 和对称函数聚合点特征

3. 通过建议生成头回归 3D 边界框和相应的类别标签

• 将聚合的质心点特征输入到建议生成头（proposal generation head）中，用来预测三维边界框和相应的类标签。论文将生成的建议编码为具有位置、大小（scale）和方向的多维表示
• 通过一个使用特定 IoU 阈值的 3D-NMS 后处理来对生成的所有建议进行过滤

损失函数

🙀IA-SSD 可进行端到端（end-to-end）的训练，在该框架中，多任务损失被用于联合优化。总损失由四部分组成，分别是下采样策略中的损失 $L_{sample}$，质心预测损失 $L_{cent}$，分类损失 $L_{cls}$ 和边界框损失 $L_{box}$。此外，边界框损失又包含位置、大小、angle-bin、angle-res 和 corner 这几部分。即，总的损失函数表达如下：
$$\begin{array}{rl}& L_{total}=L_{sample}+L_{cent}+L_{cls}+L_{box}\\ & L_{box}=L_{loc}+L_{size}+L_{angle-bin}+L_{angle-res}+L_{corner}\end{array}$$

😻论文：https://arxiv.org/pdf/2203.11139.pdf

😻代码：https://github.com/yifanzhang713/IA-SSD