ICCV 2023 | 清华&天津大学提出SurroundOcc：自动驾驶的环视三维占据栅格预测

点击下方卡片，关注“CVer”公众号

AI/CV重磅干货，第一时间送达

点击进入—>【目标检测和Transformer】交流群

作者：韦祎（源：知乎，已授权）| 编辑：CVer公众号

https://zhuanlan.zhihu.com/p/652974165

本文是对我们ICCV 2023被接收的文章Multi-camera 3D Occupancy Prediction for Autonomous Driving的介绍。在这个工作中，我们通过多帧点云构建了稠密占据栅格数据集，并设计了基于transformer的2D-3D Unet结构的三维占据栅格网络。很荣幸地，我们的文章被ICCV 2023收录，目前项目代码已开源，欢迎大家试用。

在CVer微信公众号后台回复：SurroundOcc，可下载本论文pdf和代码

arXiv：arxiv.org/pdf/2303.09551

Code：https://github.com/weiyithu/SurroundOcc

主页：https://weiyithu.github.io/SurroundOcc/

最近一直在疯狂找工作，没有闲下来写，正好最近提交了camera-ready，作为一个工作的收尾觉得还是写个知乎总结下。总的来说，contribution分为两块，一部分是如何利用多帧的lidar点云构建稠密occupancy数据集，另一部分是如何设计occupancy预测的网络。其实两部分的内容都比较直接易懂，大家有哪块不理解的也可以随时问我。那么这篇文章我想讲点论文之外的事情，一个是如何改进当前方案使其更加易于部署，另一个是未来的发展方向。

部署

一个网络是否易于部署，主要看其中有没有比较难在板端实现的算子，SurroundOcc这个方法里比较难搞的两个算子是transformer层以及3D卷积。

transformer的主要作用是将2D feature转换到3D空间，那么其实这部分也可以用LSS，Homography甚至mlp来实现，所以可以根据已实现的方案去修改这部分的网络。但据我所知，transformer的方案在几个方案里对calibration不敏感并且性能也比较好，建议有能力实现transformer部署的还是利用原有方案。

对于3D卷积来说，可以将其替换成2D卷积，这里需要将原来 (C, H, W, Z) 的3D feature reshape成（C*Z, H, W）的 2D feature，然后就可以用2D卷积进行特征提取了，在最后occupancy预测那步再把它reshape回(C, H, W, Z)，并进行监督。另一方面，skip connection由于分辨率比较大所以比较吃显存，部署的时候可以去掉只留最小分辨率那一层。我们实验发现3D卷积中的这两个操作在nuscenes上都会有些许掉点，但业界数据集规模要远大于nuscenes，有时候有些结论也会改变，掉点应该会少甚至不掉。

数据集构建方面，最耗时的一步是泊松重建那步。由于我们用的是nuscenes数据集，是用32线lidar采集的，即使利用了多帧拼接技术，我们发现拼接后的点云还是有很多的洞，所以我们利用泊松重建补洞。但其实现在业界用的许多lidar的点云都比较稠密，例如M1，RS128等，那么泊松重建这一步可以省略，将加速数据集构建这一步。

另一方面，SurroundOcc里是利用nuscenes中标注好的三维目标检测框将静态场景和动态物体分离的。但实际应用过程中，可以利用autolabel，也就是三维目标检测&跟踪大模型去得到每个物体在整个sequence中的检测框。相较于人工标注的label，利用大模型跑出来的结果肯定会存在一些误差，最直接的体现就是多帧的物体拼接后会有重影的现象。但其实occupancy对于物体形状的要求没有那么高，只要检测框位置比较准就能满足需求。

未来方向

当前方法还是比较依赖lidar提供occupancy的监督信号的，但很多车上，尤其是一些低阶辅助驾驶的车上没有lidar，这些车通过shadow模式可以传回来大量的RGB数据，那么一个未来方向是能不能只利用RGB进行自监督学习。一个自然的解决思路就是利用NeRF进行监督，具体来说，前面backbone部分不变，得到一个occupancy的预测，然后利用体素渲染得到每个相机视角下的RGB，和训练集中的真值RGB做loss形成监督信号。但很可惜的是这一套straightforward的方法我们试了试并不是很work，可能的原因是室外场景range太大，nerf可能hold不住，但也可能我们没有调好，大家也可以再试试。

另一个方向是时序&occupancy flow。其实occupancy flow对于下游任务的用处远比单帧occupancy大。ICCV的时候没来得及整occupancy flow的数据集，而且发paper的话还要对比很多flow的baseline，所以当时就没搞这块。时序网络可以参考BEVFormer和BEVDet4D的方案，比较简单有效。难的地方还是flow数据集这一部分，一般的物体可以用sequence的三维目标检测框算出来，但异型物体例如小动物塑料袋等，可能需要借助场景流的方法进行标注。

在CVer微信公众号后台回复：SurroundOcc，可下载本论文pdf和代码

点击进入—>【目标检测和Transformer】交流群

ICCV / CVPR 2023论文和代码下载

后台回复：CVPR2023，即可下载CVPR 2023论文和代码开源的论文合集

后台回复：ICCV2023，即可下载ICCV 2023论文和代码开源的论文合集

目标检测和Transformer交流群成立
扫描下方二维码，或者添加微信：CVer333，即可添加CVer小助手微信，便可申请加入CVer-目标检测或者Transformer 微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer、NeRF等。
一定要备注：研究方向+地点+学校/公司+昵称（如目标检测或者Transformer+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群

▲扫码或加微信号: CVer333，进交流群
CVer计算机视觉（知识星球）来了！想要了解最新最快最好的CV/DL/AI论文速递、优质实战项目、AI行业前沿、从入门到精通学习教程等资料，欢迎扫描下方二维码，加入CVer计算机视觉，已汇集数千人！

▲扫码进星球
▲点击上方卡片，关注CVer公众号

整理不易，请点赞和在看