纯视觉3D检测nuScenes排行榜第一名：HoP论文解读

最新推荐文章于 2024-08-24 07:10:14 发布

自动驾驶之心

最新推荐文章于 2024-08-24 07:10:14 发布

阅读量399

点赞数

文章标签： 3d

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247560080&idx=3&sn=e30541658398ae97246a900914649633&chksm=ceb9c659f9ce4f4f2b84bd42cfb86ec6e8d3447f609ef2dcd720203f03a3c802f4ab680c36d8&scene=126&sessionid=0

版权

作者 | Zhuofan Zong 编辑 | 自动驾驶与AI

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【3D目标检测】技术交流群

本文只做学术分享，如有侵权，联系删文

论文：IROS 2023 https://arxiv.org/abs/2304.00967

作者单位：SenseTime Research, The University of Hong Kong

我们论文的主要思路

在本文中，我们提出了一种新的范式，称为历史对象预测 (HoP)，用于多视图 3D 检测，以更有效地利用时间信息。HoP 方法很简单：给定当前时间戳 t，我们从其相邻帧生成时间戳 t-k 的伪鸟瞰图 (BEV) 特征，并利用该特征来预测时间戳 t-k 处的对象集。我们的方法的动机是观察到强制检测器捕获历史时间戳发生的物体的空间位置和时间运动可以导致更准确的 BEV 特征学习。首先，我们精心设计了短期和长期时间解码器，它可以生成时间戳 t-k 的伪 BEV 特征，而无需涉及其相应的相机图像。其次，灵活附加一个额外的目标解码器，以使用生成的伪 BEV 特征来预测对象目标。请注意，我们仅在训练期间执行 HoP，因此所提出的方法不会在推理期间引入额外的开销。作为一种即插即用的方法，HoP 可以轻松集成到最先进的 BEV 检测框架中，包括 BEVFormer 和 BEVDet 系列。此外，辅助 HoP 方法是对流行时间建模方法的补充，从而带来显着的性能提升。进行了大量的实验来评估所提出的 HoP 在 nuScenes 数据集上的有效性。我们选择代表性方法的包括 BEVFormer 和 BEVDet4D-Depth 来评估我们的方法。令人惊讶的是，HoP 在 nuScenes 测试中使用 ViT-L 实现了 68.5% NDS 和 62.4% mAP，优于排行榜上的所有 3D 物体检测器。

主要贡献

• 我们提出了一种新颖的时间增强训练方案，即历史对象预测（HoP），以鼓励更准确的BEV 特征学习。HoP 可以迫使模型在训练过程中捕获历史框架中对象的空间语义和时间运动。

• 我们设计了一个由短期解码器和长期解码器组成的时间解码器，以提供可靠的空间定位和准确的物体运动估计。

• 我们用我们的方法装备了具有竞争力的3D 检测器基线，并在nuScenes 数据集上取得了重大改进。令人惊讶的是，采用 ViT L 的 HoP 在 nuScenes 测试中实现了 68.5% NDS 和 62.4% mAP，确立了新的最先进性能。

方法设计

图 2：我们的历史对象预测 (HoP) 框架，评估期间辅助分支被丢弃。符号©表示特征串联和融合。

Historical Object Prediction（历史目标预测）

Short-term temporal decoder（短期时间解码器） 由于相邻帧之间的高时间相关性，短期时间解码器仅对相邻的 BEV 特征集进行操作，在 BEV 空间中构建详细的空间表示。

Long-term temporal decoder（长期时间解码器） 长期时间解码器处理整个剩余的 BEV 集，以感知长期历史上的运动线索，这增加了定位潜力并有助于更准确的定位。因此，时间解码器中的这两个分支是互补的。对于长期运动，直观上我们只关注鸟瞰图中相同物体的空间运动，而忽略了物体的高度信息。对于大多数具有 2D BEV 特征的 3D 物体检测器（例如 BEVFormer 和 BEVDet），高度信息已被展平为特征嵌入。因此，我们首先对输入进行通道缩减操作来修剪高度信息并获得更好的训练效率。

最后，我们连接短期和长期 BEV 功能和执行功能通过3×3卷积进行融合。

Object decoder（对象解码器） 重建的 BEV 特征由轻量级目标解码器进一步处理。解码器用于根据 BEV 特征生成 3D 预测，因此其实现非常灵活。BEV 检测头的变体是显而易见的选择，我们将在实验中考虑多个实例。

Historical Temporal Query Fusion（历史时态查询融合）

除了利用 BEV 特征级别的时态信息的 HoP 方法之外，我们还通过将历史目标查询融合到当前查询中，探索基于查询的方法（例如 BEV 前）中的查询级时态建模。该融合步骤为当前查询提供了历史感知的初始化，形成了精炼过程。

如图 2 所示，HoP 可以轻松集成到许多多视图 3D 检测器中，例如 BEVFormer 和 BEVDet4D-Depth。我们将先前帧的外在参数转换到当前自我的坐标系，以按照 BEVDet 执行时间对齐。

实验结果

Main Results

为了与以前最先进的 3D 目标检测方法进行比较，我们采用从 FCOS3D 初始化的 ResNet101-DCN 和从 DD3D 的 VoVNet-99 checkpoint。我们还将输入分辨率放大到 1600×640 并使用 1500 个目标查询。表 1 和表 2 采用了历史时间查询融合。我们在表 1 和表 2 中报告了我们的 HoP 与 ResNet101-DCN 主干网在 nuScenes val 上的结果以及HoP 与 V2-99 主干网在 nuScenes test 上的结果。表 3 为nuScenes camera-only 3D detection排行榜。

Ablation Studies

Visualization

图 4 显示了基线方法 BEVFormer-opt 和我们提出的 HoP BEVFormer 的检测结果。在 LI DAR TOP 图中，预测标记为黄色，而地面实况框标记为蓝色。我们观察到，HoP-BEVFormer 凭借出色的聚合时间信息的能力，成功地检测到小物体或被遮挡的物体。

结论

在本文中，我们提出了一种新的范例，称为历史目标预测（HoP），用于多视图 3D 检测，以更有效地利用时间信息。HoP 方法很简单：给定当前时间戳 t，我们从其相邻帧生成时间戳 t-k 的伪 BEV 特征，并利用该特征来预测时间戳 t-k 处的对象集。首先，我们精心设计了短期和长期时间解码器，它可以生成时间戳 t-k 的伪 BEV 特征，而无需涉及其相应的相机图像。其次，灵活附加一个额外的对象解码器，以使用生成的伪 BEV 特征来预测目标。作为一种即插即用的方法，HoP 可以轻松集成到最先进的 BEV 检测框架中，包括 BEVFormer 和 BEVDet 系列。进行了大量的实验来评估所提出的 HoP 在 nuScenes 数据集上的有效性。令人惊讶的是，HoP 在 nuScenes 测试中实现了 68.5% NDS 和 62.4% mAP，明显优于排行榜上的所有 3D 物体检测器。

① 全网独家视频课程

BEV感知、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、协同感知、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码学习）

视频官网：www.zdjszx.com

② 国内首个自动驾驶学习社区

近2000人的交流社区，涉及30+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（2D检测、分割、2D/3D车道线、BEV感知、3D目标检测、Occupancy、多传感器融合、多传感器标定、目标跟踪、光流估计）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、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！

③【自动驾驶之心】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、多模态感知、Occupancy、多传感器融合、transformer、大模型、点云处理、端到端自动驾驶、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。扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）