KITTI SOTA！Dual Fusion：减少Lidar-Camera融合特征不对齐问题

最新推荐文章于 2024-02-23 17:38:45 发布

自动驾驶之心

最新推荐文章于 2024-02-23 17:38:45 发布

阅读量1.2k

点赞数

文章标签：计算机视觉人工智能深度学习

本文链接：https://blog.csdn.net/CV_Autobot/article/details/129273259

版权

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【多传感器融合】技术交流群

后台回复【多传感器融合综述】获取图像/激光雷达/毫米波雷达融合综述等干货资料！

摘要

融合来自相机和激光雷达传感器的数据是实现鲁棒3D目标检测的关键技术。相机-LiDAR融合的一个关键挑战是，在融合两个传感器的特征时，在坐标和数据分布方面缩小两个传感器之间的大区域差距。在本文中，作者提出了一种新的相机-LiDAR融合架构，称为3D Dual fusion，该架构旨在减轻相机和LiDAR数据的特征表示之间的差距。该方法融合了相机视图和3D体素视图域的特征，并通过可变形的注意力对它们的交互进行建模。作者重新设计了Transformer融合编码器，以聚合来自两个域的信息。两个主要变化包括：1）基于双重查询的可变形关注，以交互方式融合双重域特征；2）在双重查询解码之前，3D局部自关注，以编码体素域查询。实验评估结果表明，所提出的相机-LiDAR功能架构在KITTI和nuScenes数据集上取得了具有竞争力的性能，在某些3D目标检测基准类别中具有SOTA性能。

介绍

3D目标检测器根据传感器数据识别3D世界坐标系中目标的存在、位置和类别。相机和LiDAR传感器都为3D 目标检测提供了有用的信息。这两个传感器具有明显不同的特点，因为它们使用不同的物理源和测量过程。相机传感器提供密集的视觉信息，如他们的颜色，纹理和形状，而激光雷达传感器产生准确但相对稀疏的距离测量。因此，这些传感器表现出不同的行为和性能特点取决于场景和目标条件。相机-激光雷达传感器融合旨在结合两种传感模式提供的互补信息，实现强大的3D目标检测。

最近，深度神经网络(DNN)模型在3D目标检测任务中取得了相当大的成功，并且为基于激光雷达的3D目标检测开发了许多 DNN 架构。这些检测器使用主干网络对激光雷达点云进行编码，并根据编码器获得的特征对目标进行检测。基于体素的编码是一种广泛使用的 LiDAR 编码方法，它在3D空间中对 LiDAR 点进行体素化，并对每个体素中的点进行编码[1] ，[2]。相机图像也为3D 目标检测提供了有用的信息。将卷积神经网络(CNN)模型应用于相机图像所获得的视觉特征也可以用于执行3D目标检测。为了充分利用多个传感器提供的多样化信息，提出了一种特征级融合策略，将体素特征和相机特征结合起来进行3D目标检测。然而，这些方法涉及两个特征在不同的坐标域(即相机视图与体素域)中表示的挑战，因此其中一个坐标表示必须对齐并适应到另一个坐标表示中，而不会丢失原始域的信息。因此，开发减少这样的域间隙聚合双域特征是提高相机-激光雷达传感器融合方法性能的关键。

现有的相机-激光雷达融合方法在点级、特征级和proposal级采用了各种域变换策略。点级融合方法[4]-[6]将从相机图像中获得的语义信息投影到3D空间中的激光雷达点上，并将数据与点级激光雷达特征相结合。这些方法的一个局限性是激光雷达数据不能像相机特征那样在同一语义层次上参与融合。proposal级融合方法[6]-[8]从相机图像和每个proposal相关的激光雷达点生成2D 检测proposal。然后，将相机特征和激光雷达特征进行融合，完善每个proposal。然而，这些方法的性能受到所生成proposal的准确性的限制。特征级融合方法[9]-[15]设计用于从相机图像和激光雷达数据中分别提取语义特征，并在体素域中进行聚合。MMF [9] ，ContFuse [10] ，PointAugmenting[11] ，EPNet [12]和3D-CVF [13]使用标定矩阵将图像特征转换为体素域，并进行元素特征融合。Transfusion[14]和AutoAlign[15]采用了Transformer的注意力机制，将相机视图域中的相机特征的相关部分合并到体素域。

本文旨在通过缩小相机特征和激光雷达特征之间的域间距来提高传感器融合的效果。作者提出了一个新的相机-激光雷达融合架构，称为3D Dual-Fusion，为3D目标检测。该方法的核心思想是双域交互式特征融合，即将相机域特征和体素域 LiDAR 特征相互转换，同时在每个域内进行融合。为此，作者设计了一个由3D局部自注意力和双查询变形注意力组成的Dual-Fusion Transformer结构。首先，3D局部自注意力利用自注意力对每组非空体素中的体素域特征进行编码。双查询变形注意力使用两种查询(称为双查询)通过多层变形注意力逐步细化相机域特征和体素域特征。

如果特征转换在特定阶段只执行一次，并且不执行其他域之间的后续交互，则该策略可以保留可能丢失的信息。这种相机视图和体素域之间的协同特征融合产生了强大的密集鸟瞰图(BEV)特征图，可以由任何现成的3D 目标检测进行处理。所提出的双域特征融合的关键概念如下图3所示。作者评估了3D Dual-Fusion在两个广泛使用的公共数据集上的性能，包括 KITTI 数据集[16]和 nuScenes 数据集[17]。作者表明，所提出的3D Dual-Fusion，比其他相机-激光雷达融合方法和官方 KITTI 和 nuScenes 排行榜记录，实现了一个显著的性能改善。

本文具体贡献如下：

作者提出了一种新的相机-激光雷达传感器融合的双查询可变形注意力结构。原有的可变形注意力结构在支持交叉注意力融合多模态特征方面受到限制。为了解决这个问题，作者引入了双查询的概念，它可以通过变形注意力实现跨域特征的同时聚合。
作者利用激光雷达点的稀疏性来降低3D Dual-Fusion的计算复杂度和内存使用。作者只为非空体素和从这些体素投影出来的相机特征的相应像素分配双查询。因为只有一小部分体素是非空的，所以用于双域交互式特征融合的查询数量要比整个体素的大小小得多。此外，采用可变形注意力结构的3DDual-Fusion结构相对于全局注意力结构是轻量级的。
与 TransFusion 探测头相结合后[14] ，拟议的3D 双重融合方法在某些类别的 KITTI 和 nuScenes 基准上实现了最先进的性能。
这项工作中使用的源代码将公开发布。

3D Dual-Fusion

总体架构

所提出的3D Dual-Fusion的总体架构如下图2所示。相机图像由标准CNN主干编码，其中和分别表示相机图像的宽度和高度。在多视图相机设置中，CNN分别对多个相机图像进行编码。LiDAR点云也由体素编码主干进行编码，其中N是LiDAR点数。使用宽度、长度和高度的体素网格结构对LiDAR点进行体素化。从[2]中采用了体素编码主干的结构。作者还使用了DeepLabV3[32]的CNN主干。体素编码主干网络产生体素域LiDAR特征。CNN主干网络产生相机域图像特征。

体素域LiDAR特征和相机域图像特征被馈送到Dual-Fusion变换器中。在此之前，通过自适应门控融合网络（AGFN）增强相机域图像特征。AGFN将体素域LiDAR特征投影到相机域，并将其与相机域特征相结合。作者将AGFN增强的特征表示为。Dual-Fusion变换器应用3D局部自注意力（3D-LSA）和双查询可变形注意力（DDA）来融合和。非空体素中的体素域特征首先通过3D局部自注意力进行编码。然后，DDA通过交叉注意力和双重查询在相机视图和体素域中同时进行特征融合。在多个关注层之后，最终的体素域特征被转换为鸟瞰图（BEV）特征[2]。BEV特征通过检测头以生成3D边界框和分类分数。注意力，3D Dual Fusion的整个网络是端到端可训练的。

双重查询

双重查询包括相机查询（c-Query）和体素查询（v-Query）。假设LiDAR体素化步骤产生Q个非空体素，其中Q可以根据输入点云的分布而变化。v查询，，，，，、被分配给非空体素，并用于细化其体素域特征。c查询，，，，，、被分配给通过将非空体素的中心点投影到相机域中所指示的图像像素，并用于细化图像域特征。

3D局部自注意力

在开始时，使用非空体素中的Li-DAR特征初始化v查询。自注意力层通过对v查询的空间关系进行建模，对其进行连续编码。由于全局自注意力是计算密集型的，因此设计了3D局部自注意力以减少局部区域内的关注范围。通过对非空体素的中心点应用最远点采样算法[19]，将其聚类为局部区域。作者在每个局部区域的中心周围的固定半径内找到K个体素。设å’Œ分别是一组查询特征和分配给质心的3D位置。然后，3D-LSA模块以以下公式执行自注意力：

其中，，和分别代表查询矩阵、键矩阵和值矩阵，l是L层Transformer块的索引，d是标准化点积注意力的缩放因子。FFN（·）表示位置前馈网络，是位置编码函数，通过FFN对两个3D坐标和的差值进行编码。如果半径中非空体素的数量大于K，作者随机选择K个体素。与一组K个体素相关联的v查询由自注意力单独编码[31]。在多个自注意力层之后，输入的v查询，，，由新的v查询，，，更新。

跨注意力双查询

原始的可转换注意力[30]仅支持单个模态上的注意力，因此需要进行一些修改以支持2D和3D模态上的联合注意力。DDA的结构如前面图3所示。让q索引Q个非空体素。考虑第q个非空体素的中心点处的3D参考点。相应的2D参考点，，通过在相机域上投影并在像素网格上对其进行量化来确定。在多视图相机设置中，可以投影到多个图像上。在这种情况下，仅选择单个图像进行投影。为了保持一致性，作者将相机选择在自我车辆行驶方向的最右侧。c查询由参考点指示的相机域特征初始化。v查询是从3D局部自注意获得的。

深度感知位置编码首先应用于v查询和c查询。不是在原始可变形DETR中使用基于（u，v）的编码，而是基于的深度x来计算位置嵌入，

其中i和分别是查询向量的索引和维度。然后将这种深度感知位置嵌入添加到两个查询中。双查询交叉关注解码多个关注层上的双查询和。首先，使用相机特征作为关键字和值，将可变形注意力应用于转换c查询。对于给定的2D参考点，将具有自适应偏移和权重的可变形掩模应用于相机域特征。掩模偏移和掩模权重确定为

其中+表示逐元素求和，FFN表示前馈网络。注意力，掩码权重是使用v查询和c查询确定的。该设计旨在通过基于体素区域和相机区域特征确定关注权重来增强特征融合的效果。给定偏移和权重，注意力值，，计算为

其中M为注意力头，k为采样键，K为采样键的总数。å’Œ表示可学习投影矩阵。查询和由门控融合机制进一步转换[41]。也就是说，和以不同比率进行融合：

其中，×表示元素乘法，σ（·）是S形函数，Conv1（·）和Conv2（·）为具有不同权重的卷积层。注意力，由于组合比率是和的函数，因此组合比率可根据输入特征自适应调整。最后，DDA生成解码查询和。它们用作下一个Dual Fusion Transformer层的输入查询。

E.自适应门控融合网络

AGFN将LiDAR特征投影到相机域，并将投影的特征与相机特征融合。AGFN还使用门控融合机制结合了两个特征[41]。AGFN通过以下操作

其中T(·)表示摄像头域上的投影，而⊕表示串联操作。

实验

在本节中，作者评估了KITTI数据集[16]和nuScenes数据集[17]上3D Dual-Fusion的性能。实验设置等细节请参考原文。

主要结果

KITTI ：作者在KITTI测试集上评估了所提出的3D Dual-Fusion的性能。下表I将3D Dual Fusion的检测精度与排行榜中排名靠前的其他3D目标检测器的检测精度进行了比较。在作者的比较中，作者包括了仅LiDAR和基于相机LiDAR融合的方法。作者没有包括使用多帧序列数据的方法。其他3D检测方法的性能是从KITTI官方排行榜上获得的。表I显示，对于3D目标检测任务，3D Dual-Fusion在所有容易、中等和困难类别的候选项中取得了最佳性能。对于BEV目标检测任务，3D Dual Fusion仅在中等类别中获得最佳性能，在其他类别中获得竞争性能。特别是，3D Dual Fusion提供了超越当前最佳方法Focals Conv的最新性能。与仅基于LiDAR的基线Voxel R-CNN相比，提出的传感器融合方法。

在3D目标检测任务的简单、中等和硬类别上分别提高了0.11%、0.78%和2.33%。值得注意力的是，硬类别的性能增益要大得多，这表明传感器融合在检测困难物体方面特别有效。

nuScenes ：作者还评估了nuScenes测试集和val集上3D Dual Fusion的性能。下表II显示了nuScenes排行榜中顶级3D目标检测器的检测精度比较。在mAP和NDS之上，作者为每个目标类类别使用AP度量。3D Dual Fusion（T）和3D Dual Fusion（C）都与最新的3D目标检测方法具有竞争力。特别是，3D Dual-Fusion（T）在mAP和NDS度量方面优于所有其他3D目标检测方法。与当前SOTA的BEVFusion相比，3D Dual Fusion（T）的mAP性能提高了0.4%，NDS性能提高了0.2%。与CenterPoint基线相比，3DDual-Fusion（C）提供了4.2%的NDS增益和7.6%的mAP增益[42]。3D Dual Fusion（T）与Transfusion基线相比，mAP增加1.7%，NDS增加1.4%[14]。这种性能改进是通过向TransFusion的检测头提供通过所提出的双域融合增强的密集特征图来实现的。

性能分析

消融研究 ：下表III评估了3D Dual Fusion每个模块对其整体性能的贡献。作者提供了KITTI和nuScene数据集的评估结果。

下表V显示了针对三个不同距离范围内的物体评估的3D双融合（C）性能。

位置编码 ：下表VI显示了深度感知位置编码方法的有效性。作者将基于深度的位置编码与原始可变形DETR中使用的基于（u，v）的位置编码进行了比较。表VI显示，与基于（u，v）的编码相比，所提出的深度感知位置编码实现了mAP的1.5%改进和NDS的1.6%增益。这似乎是因为所提出的位置编码为DDA提供了深度感，允许更好地利用视觉上下文特征。

DDA行为分析 ：表VII和表VIII分别显示了KITTI验证集和nuScene验证集上解编码器层数量的性能趋势。在KITTI数据集中，随着层数增加到4，性能逐渐提高。由于GPU内存的限制，作者无法尝试超过4层。在nuScenes数据集中，前两层的性能快速提高，之后停止。这表明，作者的双重查询注意力逐渐提高了用于3D目标检测的特征的质量。表IX比较了作者的双摄像头查询和单摄像头查询。单相机查询意味着只有相机查询通过可变形的注意力进行更新。具体而言，可变形遮罩偏移和权重仅由摄影机查询确定。在没有门控融合的情况下，DDA通过将变形关注的输出添加到体素查询来生成更新的相机查询。注意力，在nuScenes上，双摄像头查询的mAP和NDS性能分别比单摄像头查询高2.4%和0.9%。在表X中，作者研究了在DDA中使用门控融合块的益处。作者比较了不同的查询融合方法：1）级联、2）求和和3）门控融合。作者观察到，与其他两种查询融合方法相比，门控融合块实现了显著的性能提升。

结论

在本文中，作者提出了一种新的用于3D目标检测的相机-激光雷达融合方法，称为3D Dual-Fusion。作者引入了双域特征融合的概念，其中相机和LiDAR特征以交互方式聚集在体素和相机域中。为此，作者设计了一个3D Dual-Fusion变换器，它使用双查询通过多个注意力层聚合相关的相机和激光雷达特征。作者设计了一种新颖的双查询交叉注意力，通过解码双查询实现同时的双域特征融合。作者还添加了3D局部自注意力和自适应门控融合网络，以进一步提高性能。作者对KITTI和nuScenes数据集进行的评估证实，与基线方法相比，所提出的想法提供了显著的性能提升，并且所提出的3D Dual Fusion在基准测试中实现了SOTA的性能。

参考

[1] 3D Dual-Fusion: Dual-Domain Dual-Query Camera-LiDAR Fusion for 3D Object Detection

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！