BEVFromer源码解读 | 从多相机图像中学习BEV表达

最新推荐文章于 2024-04-15 09:42:47 发布

自动驾驶之心

最新推荐文章于 2024-04-15 09:42:47 发布

阅读量3.4k

点赞数 4

文章标签：学习计算机视觉人工智能深度学习机器学习

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247528026&idx=4&sn=1e719f5743640caae98e3d87b831ec9f&chksm=ceb84393f9cfca85e9b98644d3e130424bcd9396e4779b4acd6fe7f207c88e221cb836222a7a&scene=126&sessionid=0

版权

作者 | Young 编辑 | 半杯茶的小酒杯

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

点击进入→自动驾驶之心【BEV感知】技术交流群

后台回复【3D检测综述】获取最新基于点云/BEV/图像的3D检测综述！

“
论文: https://arxiv.org/pdf/2203.17270.pdf

代码链接: https://github.com/fundamentalvision/BEVFormer

1、Image Feature Extraction

1.1 GridMask Data Augmentation

当前数据增广方式(Data Augmentation)主要分为三类：

Spatial Transformation(Random Scale、Crop、 Flip、Random Rotation)；
Color Distortion(Changing Brightness, Hue)；
Information Dropping(Random Erasing，Cutour，Hide-And-Seek)；

GridMask属于Information Dropping的方法，它通过随机在图像上丢弃一块区域，作用相当于在网络上增加一个正则项，避免网络过拟合。

不同Information Dropping方法对比，来源:https://arxiv.org/pdf/2001.04086.pdf

GridMask通过生成一个和原图相同分辨率的Mask(如下图所示)，然后将该Mask与原图相乘得到一个图像。Mask中灰色区域的值为1，黑色区域的值为0，为1的图像区域会被保留，而为0的图像区域则被删除。

GridMask由多个Mask Unit组成(如下图橙色虚线框所示)，每个Mask Unit生成包含4个参数，r是Mask Unit中保留的比例，d是Mask Unit的Length，和是Mask Unit的相对于图像左上角的Offset。

class Grid(object): \
    def __init__(self, d1, d2, rotate = 1, ratio = 0.5, mode=1, prob=0.8):
        self.d1 = d1
        self.d2 = d2
        self.rotate = rotate
        self.ratio = ratio
        self.mode=mode
        self.st_prob = self.prob = prob

    def set_prob(self, epoch, max_epoch):
        self.prob = self.st_prob * min(1, epoch / max_epoch)

    def __call__(self, img): \
        if np.random.rand() > self.prob:#以一定的概率应用GridMask数据增强
            return img
        h = img.size(1)
        w = img.size(2)

        # 1.5 * h, 1.5 * w works fine with the squared images
        # But with rectangular input, the mask might not be able to recover back to the input image shape
        # A square mask with edge length equal to the diagnoal of the input image 
        # will be able to cover all the image spot after the rotation. This is also the minimum square.
        hh = math.ceil((math.sqrt(h*h + w*w)))
        d = np.random.randint(self.d1, self.d2)#
        # ratio表示原图片信息保留量，通过控制ratio可以控制填充区域的大小
        self.l = math.ceil(d*(1-math.sqrt(1-self.ratio))) # 计算公式见论文
        mask = np.ones((hh, hh), np.float32)#创建了一个mask，很明显该mask比原图大，边长是原图的对角线，方便mask旋转

        st_h = np.random.randint(d)
        st_w = np.random.randint(d)
        #这种方式相当于对十字口进行填充，到时候对mask取反就是对方框（Figure4中的黑框）填充
        for i in range(-1, hh//d+1):#
            s = d*i + st_h
            t = s+self.l#可以看出l的含义
            s = max(min(s, hh), 0)#不能超出mask的边界
            t = max(min(t, hh), 0)
            mask[s:t,:] = 0
        for i in range(-1, hh//d+1):
            s = d*i + st_w
            t = s+self.l
            s = max(min(s, hh), 0)#不能超出mask的边界
            t = max(min(t, hh), 0)
            mask[:,s:t] = 0
        r = np.random.randn(self.rotate)
        mask = Image.fromarray(np.uint8(mask))
        mask = mask.rotate(r)#可以旋转
        mask = np.asarray(mask)
        mask = mask[(hh-h)//2:(hh-h)//2+h, (hh-w)//2:(hh-w)//2+w]#截取图片大小的掩码
        if self.mode == 1:
            mask = 1-mask
        print(np.sum(mask)/(h*w))#可以通过这个值验证ratio是否准确，也就是原图像信息保留值
        mask = torch.from_numpy(mask).float()
        mask = mask.expand_as(img)
        img = img * mask #mask中的矩阵，为1的保留原图像信息，为0的就是删除的部分
        return img

class GridMask(nn.Module): \
    def __init__(self, d1, d2, rotate = 1, ratio = 0.5, mode=0, prob=1.):
        super(GridMask, self).__init__()
        self.rotate = rotate
        self.ratio = ratio
        self.mode = mode
        self.st_prob = prob
        self.grid = Grid(d1, d2, rotate, ratio, mode, prob)

    def set_prob(self, epoch, max_epoch):
        self.grid.set_prob(epoch, max_epoch)#通过epoch配置GridMask的概率

    def forward(self, x):
        ifnot self.training:
            return x#测试时跳过GridMask操作
        n,c,h,w = x.size()
        y = []
        for i in range(n):
            y.append(self.grid(x[i]))#对每一张图片单独应用GridMask
        y = torch.cat(y).view(n,c,h,w)
        return y

2. Spatial Cross-Attention

2.1 3D BEV Query

BEV的每帧的输入都是高分辨率的环视多视角图像，在Multi-Head Attention中的计算代价太高，所以基于Deformable Attention研发了空间交叉注意力机制(Spatial Cross Attention)，每个BEV Query只与多视角图像(Multi Camera Views)中感兴趣(Region of Interest)的区域交互，可以大大降低了计算成本。

Deformable Attention是2D的，所以需要针对3D场景做一些调整:

Lift each query on the BEV plane to a pillar-like query, Sample 3D reference points from the pillar。

将2D BEV Query通过Lift操作拉成一个体柱(Pillar)，并在Z轴上进行采样，获取高度不同的获3D Points。

def get_reference_points(H, W, Z=8, num_points_in_pillar=4, dim='3d', bs=1, device='cuda', dtype=torch.float):
        """Get the reference points used in SCA and TSA.
        Args:
            H, W: spatial shape of bev.
            Z: hight of pillar.
            D: sample D points uniformly from each pillar.
            device (obj:`device`): The device where
                reference_points should be.
        Returns:
            Tensor: reference points used in decoder, has \
                shape (bs, num_keys, num_levels, 2).
        """

    ......
		if dim == '3d':
				# num_points_in_pillar: 每个pillar中的采样点数
		    zs = torch.linspace(0.5, Z - 0.5, num_points_in_pillar, dtype=dtype,
		         device=device).view(-1, 1, 1).expand(num_points_in_pillar, H, W) / Z
		    xs = torch.linspace(0.5, W - 0.5, W, dtype=dtype,
		         device=device).view(1, 1, W).expand(num_points_in_pillar, H, W) / W
		    ys = torch.linspace(0.5, H - 0.5, H, dtype=dtype,
		         device=device).view(1, H, 1).expand(num_points_in_pillar, H, W) / H
		    
        ref_3d = torch.stack((xs, ys, zs), -1)
		    ref_3d = ref_3d.permute(0, 3, 1, 2).flatten(2).permute(0, 2, 1)
		    ref_3d = ref_3d[None].repeat(bs, 1, 1, 1)
				# [batch_size, num_points_in_pillar, point_size, 3]
		    return ref_3d

Project the 3D points in pillar to 2D points in views, Sample features from ROIs in hit views。

将3D Points通过相机内参投影到2D平面上(每一个投影的2D点只能落在某些视图上，被击中的视图被称为Hit Views)。

来源: https://zhuanlan.zhihu.com/p/539925138

BEV Query坐标转换到像素坐标系分为3步：1)从BEV Query坐标转换到Lidar坐标系；2) Lidar坐标系转到Camera坐标系；3）Camera坐标系转换到像素坐标系。

坐标系的转换公式网上很多，推导过程略过，最终的公式如下:

假设Lidar坐标系下的三维点坐标为，Camera相对于Lidar的旋转矩阵为R，平移矩阵为t，则有:

从Camera坐标系到像素坐标系的变换如下:

以上所有平移矩阵、旋转矩阵、相机内参组合在一起，形成了坐标转换矩阵(代码中的lidar2img)。

image_paths = []
lidar2img_rts = []
lidar2cam_rts = []
cam_intrinsics = []
for cam_type, cam_info in info['cams'].items():
    image_paths.append(cam_info['data_path'])
    # obtain lidar to image transformation matrix
    lidar2cam_r = np.linalg.inv(cam_info['sensor2lidar_rotation'])
    lidar2cam_t = cam_info[
        'sensor2lidar_translation'] @ lidar2cam_r.T
    lidar2cam_rt = np.eye(4)
    lidar2cam_rt[:3, :3] = lidar2cam_r.T
    lidar2cam_rt[3, :3] = -lidar2cam_t
    intrinsic = cam_info['cam_intrinsic']
    viewpad = np.eye(4)
    viewpad[:intrinsic.shape[0], :intrinsic.shape[1]] = intrinsic
    lidar2img_rt = (viewpad @ lidar2cam_rt.T)
    lidar2img_rts.append(lidar2img_rt)

    cam_intrinsics.append(viewpad)
    lidar2cam_rts.append(lidar2cam_rt.T)

    input_dict.update(
        dict(
            img_filename=image_paths,
            lidar2img=lidar2img_rts,
            cam_intrinsic=cam_intrinsics,
            lidar2cam=lidar2cam_rts,
        ))

坐标转换的代码实现如下:

a) 还原坐标系到Lidar坐标系下。其中pc_range是BEV特征表征的真实的物理空间大小。

reference_points[..., 0:1] = reference_points[..., 0:1] * \
            (pc_range[3] - pc_range[0]) + pc_range[0]
reference_points[..., 1:2] = reference_points[..., 1:2] * \
            (pc_range[4] - pc_range[1]) + pc_range[1]
reference_points[..., 2:3] = reference_points[..., 2:3] * \
            (pc_range[5] - pc_range[2]) + pc_range[2]

b) 调整为齐次坐标。

reference_points = torch.cat(
            (reference_points, torch.ones_like(reference_points[..., :1])), -1)

c) Reference Points坐标投影到像素坐标系。

reference_points = reference_points.permute(1, 0, 2, 3)
D, B, num_query = reference_points.size()[:3]
num_cam = lidar2img.size(1)

reference_points = reference_points.view(
    D, B, 1, num_query, 4).repeat(1, 1, num_cam, 1, 1).unsqueeze(-1)

lidar2img = lidar2img.view(
    1, B, num_cam, 1, 4, 4).repeat(D, 1, 1, num_query, 1, 1)

reference_points_cam = torch.matmul(lidar2img.to(torch.float32),
                     reference_points.to(torch.float32)).squeeze(-1)

过滤无效值，只保留在图像范围内的点和z>0点。

bev_mask = (reference_points_cam[..., 2:3] > eps)
reference_points_cam = reference_points_cam[..., 0:2] / torch.maximum(
       reference_points_cam[..., 2:3], torch.ones_like(reference_points_cam[..., 2:3]) * eps)

reference_points_cam[..., 0] /= img_metas[0]['img_shape'][0][1]
reference_points_cam[..., 1] /= img_metas[0]['img_shape'][0][0]

bev_mask = (bev_mask & (reference_points_cam[..., 1:2] > 0.0)
                    & (reference_points_cam[..., 1:2] < 1.0)
                    & (reference_points_cam[..., 0:1] < 1.0)
                    & (reference_points_cam[..., 0:1] > 0.0))

至此，完成了上图所示的3D BEV Query向2D图像投影、并过滤非感兴趣区域的功能。

参考材料

https://zhuanlan.zhihu.com/p/539925138
https://blog.csdn.net/weixin_42108183/article/details/128433381
https://arxiv.org/pdf/2001.04086.pdf

国内首个自动驾驶学习社区

近1000人的交流社区，和20+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D目标检测、多传感器融合、目标跟踪、光流估计、轨迹预测）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、产品经理、硬件配置、AI求职交流等方向；

添加汽车人助理微信邀请入群

备注：学校/公司+方向+昵称

自动驾驶之心

关注

4
点赞
踩
22

收藏

觉得还不错? 一键收藏
0
评论
BEVFromer源码解读 | 从多相机图像中学习BEV表达

作者|Young 编辑| 半杯茶的小酒杯点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【BEV感知】技术交流群后台回复【3D检测综述】获取最新基于点云/BEV/图像的3D检测综述！“论文: https://arxiv.org/pdf/2203.17270.pdf代码链接: https://github.com/fundamentalvision/B...
复制链接

扫一扫