文章目录

前言
- 摘要
- 1. 介绍
- 2. PointRCNN算法框架
- - 2.1 Bottom-up 3D proposal generation via point cloud segmentation
  - 2.2 Point cloud region pooling
  - 2.3 Canonical 3D bounding box refinement
- 3. 实验细节
- 4. 实验结果
- 5. 总结

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α=0.25,γ=2\alpha=0.25, \gamma=2α=0.25,γ=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,θ)(x,y,z,h,w,l,\theta)(x,y,z,h,w,l,θ)，其中(x,y,z)为物体中心位置，(h,w,l)为物体大小，θ\thetaθ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δ\deltaδ，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))(x^{(p)},y^{(p)},z^{(p)})(x(p),y(p),z(p))是感兴趣的前景点的坐标；
(xp,yp,zp)(x^p,y^p,z^p)(xp,yp,zp)对应物体的中心坐标；
binx(p),binz(p)bin_x^{(p)},bin_z^{(p)}binx(p),binz(p)是X、Z轴上的ground-truth bin；
resx(p),resz(p)res_x^{(p)},res_z^{(p)}resx(p),resz(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、θ\thetaθ，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LregL_{reg}Lreg可表示为：

NposN_{pos}Npos是前景点的数量；
binu^(p),resu^(p)\widehat{bin_u}^{(p)},\widehat{res_u}^{(p)}binu(p),resu(p)是前景点p的被预测的bin分配和残差；
binu(p),resu(p)bin_u^{(p)},res_u^{(p)}binu(p),resu(p)是上面已经计算过的ground-truth对象；
FclsF_{cls}Fcls是分类的交叉熵损失；
FregF_{reg}Freg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。
bi=(xi,yi,zi,hi,wi,li,θi)b_i=(x_i,y_i,z_i,h_i,w_i,l_i,\theta_i)bi=(xi,yi,zi,hi,wi,li,θi)
to bie=(xi,yi,zi,hi+η,wi+η,li+η,θi)b^e_i=(x_i,y_i,z_i,h_i+\eta,w_i+\eta,l_i+\eta,\theta_i)bie=(xi,yi,zi,hi+η,wi+η,li+η,θi)
η\etaη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bib_ibi。
内部点p的特征包括：3D坐标(x(p),y(p),z(p))∈R3(x^{(p)},y^{(p)},z^{(p)}) \in \R^3(x(p),y(p),z(p))∈R3、激光反射强度r(p)∈R3r^{(p)}\in\R^3r(p)∈R3，来自stage-1的预测分割掩码m(p)∈{0,1}m^{(p)}\in\{0,1\}m(p)∈{0,1}和点特征表示f(p)∈Rcf^{(p)}\in\R^cf(p)∈Rc。
通过分割掩码m(p)m^{(p)}m(p)来区分扩大框中的是前景点还是背景点，点特征f(p)f^{(p)}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′,Z′X^{'},Z^{'}X′,Z′轴平行于地平面，X′X^{'}X′轴指向proposals的heading方向，Z′Z^{'}Z′轴垂直于X′X^{'}X′轴；
Y′Y^{'}Y′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p~\tilde{p}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p~\tilde{p}p~及其来自stage-1的全局语义特征f(p)f^{(p)}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)=(x(p))2+(y(p))2+(z(p))2d^{(p)}=\sqrt{(x^{(p)})^2+(y^{(p)})^2+(z^{(p)})^2}d(p)=(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p~\tilde{p}p~和额外特征[r(p),m(p),d(p)][r^{(p)}, m^{(p)},d^{(p)}][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)f^{(p)}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: bi=(xi,yi,zi,hi,wi,li,θi)b_i=(x_i,y_i,z_i,h_i,w_i,l_i,\theta_i)bi=(xi,yi,zi,hi,wi,li,θi)
to b~i=(0,0,0,hi,wi,li,0)\tilde{b}_i=(0,0,0,h_i,w_i,l_i,0)b~i=(0,0,0,hi,wi,li,0);

3D ground-truth box: bigt=(xigt,yigt,zigt,higt,wigt,ligt,θigt)b_i^{gt}=(x_i^{gt},y_i^{gt},z_i^{gt},h_i^{gt},w_i^{gt},l_i^{gt},\theta_i^{gt})bigt=(xigt,yigt,zigt,higt,wigt,ligt,θigt)
to b~igt=(xigt−xi,yigt−yi,zigt−zi,higt,wigt,ligt,θigt−θi)\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)b~igt=(xigt−xi,yigt−yi,zigt−zi,higt,wigt,ligt,θigt−θi)。
Stage-2的loss整体为：

BBB是来自stage-1的3D proposals集合；
BposB_{pos}Bpos存放了positive的回归proposals；
probiprob_iprobi是估算的bi~\tilde{b_i}bi~的置信度；
labelilabel_ilabeli是对应的label；
L~bin(i),L~res(i)\tilde{L}_{bin}^{(i)},\tilde{L}_{res}^{(i)}L~bin(i),L~res(i)和公式3相似，但是用的是上面提到的通过b~igt,bi~\tilde{b}_i^{gt},\tilde{b_i}b~igt,bi~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δ\deltaδ=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，δ\deltaδ=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。

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

【3D目标检测】3D Object Detection for Autonomous Driving: A Survey
目录概述细节背景常用数据集及其评价指标基于RGB图像的算法基于点云的算法基于RGB图像与点云模态融合的算法概述这是一篇21年的综述,介绍了3D目标检测背景.传感器以及基于传感器的算法 ...
【论文阅读】【综述】3D Object Detection 3D目标检测综述
目录写在开头 3D Object Detection 相关博客: Sliding window Vote3Deep: Fast Object Detection in 3D Point Clouds ...
3D Object Detection 3D目标检测综述
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 本文链接: https://blog.csdn.net/wqwqqwqw1231/articl ...
点云 3D 目标检测 - CenterPoint：Center-based 3D Object Detection and Tracking（CVPR 2021）
点云 3D 目标检测 - CenterPoint: Center-based 3D Object Detection and Tracking - 基于中心的3D目标检测与跟踪(CVPR 2021) ...
3D目标检测论文阅读摘要
3D目标检测论文阅读摘要 2D Object Detection 的研究已经非常成熟了,代表作品有RPN系列的FasterRCNN,One Shot系列的YOLOv1-YOLOv3,这里推荐一个2D ...
3D目标检测深度学习方法数据预处理综述
作者 | 蒋天元来源 | 3D视觉工坊(ID: QYong_2014) 这一篇的内容主要要讲一点在深度学习的3D目标检测网络中,我们都采用了哪些数据预处理的方法,主要讲两个方面的知识,第一个是rep ...
CVPR2020 | PV-RCNN: 3D目标检测 Waymo挑战赛+KITTI榜单模态第一算法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨Shaoshuai Shi@知乎来源丨https://zhuanlan.zhihu.com/p ...
动手学无人驾驶（4）：基于激光雷达点云数据3D目标检测
上一篇文章<动手学无人驾驶(3):基于激光雷达3D多目标追踪>介绍了3D多目标追踪,多目标追踪里使用的传感器数据为激光雷达Lidar检测到的数据,本文就介绍如何基于激光雷达点云数据进行3D ...
基于激光雷达点云的3D目标检测算法论文总结
作者丨eyesighting@知乎来源丨https://zhuanlan.zhihu.com/p/508859024 编辑丨3D视觉工坊前言过去很多年激光雷达的车规标准和高昂价格是阻碍其量产落 ...
点云 3D 目标检测 - RangeDet（ICCV 2021）
点云 3D 目标检测 - RangeDet: In Defense of Range View for LiDAR-based 3D Object Detection - 基于LiDAR的3D目标检测 ...

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