Language Conditioned Spatial Relation Reasoning for 3D Object Grounding【NeurIPS 2022】

---

code： https://cshizhe.github.io/projects/vil3dref.html
author： 巴黎文理研究院

---

动机

为了在现实世界中执行人类指令，机器人应该理解自然语言，并能够在3D环境中ground上述物体。语言表达通常是描述物体在3D场景中的relative spatial relations来指定物体的。比如上图中的这两个例子，就要消除同一类目标中的歧义目标。

鉴于 spatial language 的重要性，许多方法长时间莫3DVG中的空间关系。早期大家使用GNN来建模关系，但是他们只能捕捉最近邻的关系。近年来，Transformer架构被广泛采用，因为它可以直接建模 pair object之间的关系。然而，使用Transformer来理解用自然语言表达的三维空间关系仍然是一个开放的研究问题。

这篇文章中，作者提出了一个视觉和语言的三维关系推理模型（ViL3DRel）来解决三维物体接地中的上述问题。具体有以下贡献：

• 提出了一个空间自注意力模块来显式编码成对的3维空间关系，以促进语言条件下的空间理解。
• 我们采用了一种teacher-student 训练策略，促进了跨模式的关系学习。

一阶段方法：[18，23，28]
detection-then-matching（两阶段）：[1, 7, 8, 9，13，14，15，16，24]

3DVG-Transformer[13]最像本篇文章，编码了目标间的空间距离，本篇文章编码了目标间的相对距离和相对方向。

方法

给定一段有M个词的文本，用BERT的前三层进行编码，得到一个序列的词特征：$s_{cls},s_1,...,s_M$。$s_{cls}$表示类别，在计算spatial attention matrix中被用到。 $s_1,...,s_M$ 表示每一个词的特征，用来在 cross-attention模块中使用。

给定N个proposals后，首先通过PointNet++提取出语义特征$o_i^0$，经过l层self-attention后，得到了N个$o_i^l$ embedding。将N个proposals各自对应的绝对空间位置特征$l_i$以位置编码的方式拼接到这N个$o_i^l$语义embedding中。每个proposal的绝对空间位置特征定义如下：

其中，ci是目标中心[cx,cy,cz]、zi是目标尺寸[zx,zy,zz]，分别当作是目标点云Pi的平均值和空间范围。然后使用一个线性层将这两个信息映射为第i个目标的三维空间位置特征li。

基于这N个proposals的embedding，使用自注意力机制计算出语义相关性矩阵${\Omega }^o$：

此外，为了建模objects之间的空间关系，作者在每个目标对$(O_i,O_j)$之间定义了一个空间特征$f_{ij}^i$，它由五个元素组成：

其中，$d_{ij}$是目标$O_i,O_j$中心$c_i,c_j$之间的欧氏距离，${\theta }_h,{\theta }_v$是水平角和垂直角，即这两个点出发的平行于坐标轴的线构成的三角形中的两个锐角。这样，目标间的空间关系就形成了一个NxN的矩阵F。但在language condition下，我们更关注的是文本中描述对象的空间关系。因此作者对这个F矩阵的每一行做了一个权重$g_i^s$：

其中$s_{cls}$表示文本的cls token，$o_i^l$表示第i个对象的embedding。$W_S^T$是一个可学习的矩阵。因此，我们就得到了一个NxN空间相关性矩阵${\Omega }^s$，它的每一个值$w_{ij}^s$定义如下：

最后，根据语义相关性矩阵${\Omega }^o$和空间相关性矩阵${\Omega }^s$重新设计了一个新的自注意力矩阵$\Omega$，定义如下：

其中，σ(·)是sigmoid函数。作者称这样做的好处是新的自注意力矩阵$\Omega$中包含了：三位相对空间位置信息（体现在${\Omega }^s$中）、绝对空间位置和目标外貌信息(这两者都体现在${\Omega }^o$中)。得到新的自注意力矩阵$\Omega$后，再把最初的N个$o_i^l$当作是自注意力机制中的V，与$\Omega$进行相乘就得到了输出的值${\hat{o}}_i^l$。这样整个一个过程，作者称之为spatial self-attention。其实本质上，作者是设计了一个支路计算了一个spatial attention matrix，然后将它与原始的self-attention matrix使用sigsoftmax进行了融合。如果没有这样一个spatial attention matrix的话，整个流程就是正常的self-attention，然后在其之后加上了cross-attention与文本token进行注意力交互。

从一个proposal的点云$P_i$中估计目标的类别，对跨模态的alignment和spatial relation reasoning是非常重要的。因此作者使用了一个 teacher-student 网络来进行知识蒸馏。具体地，teacher网络的输入是GT目标类别+颜色+位置信息。GT目标类别是文本，用pre-trained Glove word vectors编码，这样做的好处有两个：1）以GT目标类别的语义信息作为输入，可以使得模型更好的学习推理object空间关系的知识；2）文本的GT目标类别与输入的sentence之间有着更少的跨模态间隙，可以更好地学习匹配object语义信息与sentence任务的知识。使用以下两个损失函数进行监督，使得知识从teacher model蒸馏到student model中：

完整的损失函数如下所示，除了蒸馏的损失函数之外，还使用到了Scanrefer、Referit3d中类似的多个辅助损失。$L_{og}$是三位object grounding损失，$L_{sent}$是依赖于$s_{cls}$的sentence分类损失，$L_{obj}^u$是 unimodal的目标分类损失，$L_{obj}^m$是 multimodal的目标分类损失。

实验

在两种实验设置下进行对比：
1）Nr3D和Sr3D数据集：使用ground-truth proposal，指标就是最终在proposal中选择对错的正确率。
2）ScanRefer数据集：不使用ground-truth proposal，需要模型回归出3D Bboxes，指标是预测的Bboxes与GT框IOU的 acc@0.25，acc@0.5（即预测的Bboxes中与GTIOT大于0.25和0.5的百分比）

PointNet++ 和 BERT的参数都是使用与之前工作（SAT、Multi-view）相同的预训练参数，以保证公平对比。

旋转增强是将整个点云旋转不同的角度。具体来说，本文是从四个角度[0°、90°、180°、270°]中随机选择一个。

在Nr3D数据集中，分为view-dependent和view-independent两类，view-independent sentences包含了像“next to”、"farthest from"这样的距离相关的空间关系，view-dependent sentences包含了像“in front of”、"to the left of"这样的视角相关的空间关系。

经过实验验证，在相对空间关系f中编码相对方向(θ)对view-dependent sentences是有效的，编码相对距离d对view-independent sentences是有效的。

为什么使用sigsoftmax对两个attention matrix进行融合？
答：审稿人也问了为什么使用sigsoftmax而不是softmax，作者回复说对他们都进行了尝试，结果是sigsoftmax的效果最好，给出的解释是 sigsoftmax 可以更积极地修改带有空间信息的原始自注意力权重。

此外，作者还设置了其他两种方案（参考RPE[35]）：1）bias mode，将spatial attention matrix作为一个偏置项加入到standard self-attention中（R7）；2）contextual mode：将spatial attention matrix作为key，将standard self-attention作为query来进行交互（R8）。结果证明都没有提出的sigsoftmax模式好。这一融合方式值得借鉴，当碰到两个attention matrix进行融合的问题时，采用本文提出的sigsoftmax方式进行融合，可以作为一个不错的baseline。

参考文献

[1] Licheng Yu, Patrick Poirson, Shan Yang, Alexander C Berg, and Tamara L Berg. Modeling
context in referring expressions. In ECCV, pages 69–85. Springer, 2016.
[7] Dave Zhenyu Chen, Angel X Chang, and Matthias Nießner. Scanrefer: 3d object localization in
rgb-d scans using natural language. In ECCV, pages 202–221. Springer, 2020.
[8] Panos Achlioptas, Ahmed Abdelreheem, Fei Xia, Mohamed Elhoseiny, and Leonidas Guibas.
Referit3d: Neural listeners for fine-grained 3d object identification in real-world scenes. In
ECCV, pages 422–440. Springer, 2020.
[9] Dailan He, Yusheng Zhao, Junyu Luo, Tianrui Hui, Shaofei Huang, Aixi Zhang, and Si Liu.
Transrefer3d: Entity-and-relation aware transformer for fine-grained 3d visual grounding. In
ACM MM, pages 2344–2352, 2021.
[10] Pin-Hao Huang, Han-Hung Lee, Hwann-Tzong Chen, and Tyng-Luh Liu. Text-guided graph
neural networks for referring 3d instance segmentation. In AAAI, volume 35, pages 1610–1618,
2021.
[11] Zhihao Yuan, Xu Yan, Yinghong Liao, Ruimao Zhang, Sheng Wang, Zhen Li, and Shuguang
Cui. Instancerefer: Cooperative holistic understanding for visual grounding on point clouds
through instance multi-level contextual referring. In ICCV, pages 1791–1800, 2021.
[12] Mingtao Feng, Zhen Li, Qi Li, Liang Zhang, XiangDong Zhang, Guangming Zhu, Hui Zhang,
Yaonan Wang, and Ajmal Mian. Free-form description guided 3d visual graph network for
object grounding in point cloud. In ICCV, pages 3722–3731, 2021.
[13] Lichen Zhao, Daigang Cai, Lu Sheng, and Dong Xu. 3dvg-transformer: Relation modeling for
visual grounding on point clouds. In ICCV, pages 2928–2937, 2021.
[14] Zhengyuan Yang, Songyang Zhang, Liwei Wang, and Jiebo Luo. Sat: 2d semantics assisted
training for 3d visual grounding. In ICCV, pages 1856–1866, 2021.
[15] Junha Roh, Karthik Desingh, Ali Farhadi, and Dieter Fox. Languagerefer: Spatial-language
model for 3d visual grounding. In CoRL, pages 1046–1056. PMLR, 2021.
[16] Shijia Huang, Yilun Chen, Jiaya Jia, and Liwei Wang. Multi-view transformer for 3d visual
grounding. In CVPR, 2022.
[18] Aishwarya Kamath, Mannat Singh, Yann LeCun, Gabriel Synnaeve, Ishan Misra, and Nicolas
Carion. Mdetr-modulated detection for end-to-end multi-modal understanding. In ICCV, pages
1780–1790, 2021.
[23] Junyu Luo, Jiahui Fu, Xianghao Kong, Chen Gao, Haibing Ren, Hao Shen, Huaxia Xia, and
Si Liu. 3d-sps: Single-stage 3d visual grounding via referred point progressive selection. In
CVPR, 2022.
[28] Ayush Jain, Nikolaos Gkanatsios, Ishita Mediratta, and Katerina Fragkiadaki. Looking outside
the box to ground language in 3d scenes. arXiv preprint arXiv:2112.08879, 2021.
[35] Kan Wu, Houwen Peng, Minghao Chen, Jianlong Fu, and Hongyang Chao. Rethinking and
improving relative position encoding for vision transformer. In ICCV, pages 10033–10041,
2021.