DyFusion:基于动态融合的交叉注意三维目标检测论文解析

在自动驾驶领域，激光雷达和摄像传感器发挥着不可或缺的作用，为精确的三维目标检测提供关键的观测数据。现有的融合算法有效地利用了两个传感器的互补数据。然而，这些方法通常将原始点云数据和像素级图像特征连接起来，不幸的是，这一过程会引入错误，并导致每个模态中嵌入的关键信息的丢失。为了解决特征信息丢失的问题，本文提出了一种跨注意力动态融合(Cross-Attention Dynamic Fusion, CADF)策略，对两个异构数据源进行动态融合。此外，我们认识到这两种不同模式的数据扩充不足的问题。为了解决这个问题，我们提出了一种同步数据增强(SDA)策略，旨在提高训练效率。我们已经使用KITTI和nuScenes数据集测试了我们的方法，结果很有希望。值得注意的是，我们表现最好的模型在KITTI测试基准上获得了82.52%的mAP，优于其他最先进的方法。

从上面这段论文的原文中我们可以看出这篇论文的核心创新点在于：

CADF策略—跨注意力动态融合
SDA策略—同步数据增强

分别用于解决：

特征信息丢失问题
两种模式的数据扩充不足问题

CADF（右）利用交叉注意融合点云和图像特征。SDA（左）采用同步增强策略来提高模型的鲁棒性。

创新点详解

1、跨注意力动态融合 Cross-Attention Dynamic Fusion

我们提出了跨注意动态融合(CADF)策略，该策略利用跨注意机制动态组合跨模态特征。通过动态加权对模型进行校正，减少了信息损失，减小了误差。

论文认为传统的计算机视觉多模态方法常用的融合策略都过于简单，比如直接运用算术运算和拼接来整合图像和点云特征。但这样操作会导致两个潜在的问题，最终导致融合的有效性降低

由于点云输入的分散性，直接将密集的图像特征融合到点云上会导致图像语义信息的丢失。
这种方法可能会引入数据冗余，阻碍重要信息的聚合并引入噪声。

基于此种考量论文提出了新的跨注意力动态融合(CADF)策略来动态融合异构数据源。CADF框架图如下图所示。与传统方法不同，CADF采用动态加权对特征进行动态融合，使每个点云能够更好地捕捉和融合图像特征，从而更有效地利用图像中的全局语义信息。

CADF的框架图

首先，将BEV和图像特征分别线性变换为Q矩阵和K矩阵。将这些相乘得到注意力矩阵A，然后将其归一化。得到的矩阵用于权衡和融合BEV和图像特征。通过将结果矩阵与原始图像特征进行拼接得到融合特征

（1）特征提取

为了从原始图像输入中提取全局特征表示，文章提出的CADF采用ResNet-50架构作为2D特征学习的骨干模块。ResNet-50—广泛应用于计算机视觉任务，比如多雾图像 OR ConvGRU-CNN。在文章的方法中，ResNet-50从原始图像中提取全局特征映射，在每张图像的基础上生成高维特征表示。

式中，f 表示ResNet-50网络，θx 表示网络参数。

（2）体素特征编码

CADF策略使用体素特征编码(Voxel Feature Encoding, VFE)来处理点云数据。

式中，f 表示VFE层，θp 表示VFE层的参数，Pj 表示第 j 个体素中的点云数据。

（3） BEV特征提取

通过正交映射将体素特征表示投影到BEV (Bird’s Eye View)平面上，获取点云数据在BEV视角下的位置坐标和相关特征向量。将所有体素的特征向量按照一定的规则进行聚合，得到一个体素特征向量。

式中 i ，j 为BEV平面的位置坐标，k 为特征向量的维数，l, m, n为体素的索引，g 为聚合函数，可以是池化、平均或最大化函数。

（4）特征动态融合

①线性变换

对BEV特征和图像特征分别进行线性变换，得到两个新的特征映射：和，其中d为特征向量的维度。

式中，V为BEV特征矩阵，hx为图像特征向量，Wq和Wk为可学习的线性变换矩阵。

②对Q(BEV特征)和K(图像特征)进行点积运算

得到一个注意力矩阵

其中 i， j， k，l 表示注意矩阵中的位置坐标，：表示所有特征向量，√d用于缩放点积结果，以避免梯度爆炸或消失的问题

③Softmax运算

将注意力矩阵A进行softmax运算，得到归一化的注意力矩阵P，可以表示为：

④特征加权融合

接下来，对BEV特征矩阵V进行加权，用P（这里的P对应图中的A，即为Softmax之后的矩阵A）进行融合，得到融合特征矩阵F，其表达式为：

⑤将计算出来的特征与图像原特征进行连接

有同学可能就有疑问了，这为什么融合了之后还要与BEV特征进行二次融合啊，意义是什么？

交叉注意模块中的注意矩阵A量化了BEV表示与图像嵌入之间的特征相似性，确定了融合过程中不同位置特征的权重分配。所以说这个矩阵A对于二次融合，就像一个权重一样起了作用。而为了实现这一点，softmax操作将A中的值映射到[0,1]范围进行加权融合。所得到的融合输出hf同时包含BEV和图像特征，从而增强了点云和图像的空间关系和语义信息的表示

2、同步数据增强 Synchronous Data Augmentation

此外，我们还引入了异构数据的同步数据增强(SDA)策略，以增强模型的鲁棒性，并解决异构模式数据增强不足的问题。通过同步增强点云特征和图像数据，我们的模型能够学习更通用的信息表示，从而通过获取更多可转移的嵌入来提高其泛化能力。

作者认为先前大多数增强策略仅适用于点云数据，增加了样本量，避免了点云稀疏导致的效率降低。但仅增加点云忽略了与图像数据的一致性和对应性，可能导致模型过拟合。

为了避免过拟合并改进模型泛化，因而提出了一种同步数据增强(SDA)策略，在增强点云的同时对相应的图像数据进行同步增强，保持模态之间的对应关系。

这种SDA策略避免了训练过程中的不一致问题，从而提高了模型的准确性和鲁棒性。此外，SDA可以同时对点云和图像数据进行各种变换，增加了数据集的多样性。这使模型能够更好地适应不同的场景和环境。

1)点云数据增强:

为了消除噪声和增加数据集的多样性，文章从VoxelNet和SECOND中汲取灵感，对点云应用了各种数据增强技术。我们执行随机旋转、缩放、平移、裁剪和子采样，解释如下。从[-π/4， π/4]随机采样点云进行旋转。我们通过随机缩放[0.95,1.05]和变换[-0.1,0.1]来增强数据。对于随机裁剪，参数在[-0.1,0.1]中随机选取。

子采样将每个点云减少到512个点。这些增强显著增加了点云的多样性，提高了模型的鲁棒性和泛化性。

从训练数据集中随机选择并连接目标子集到每一帧中，增加了目标的数量和多样性，提高了训练速度和效率。点云稀疏意味着帧可能包含很少的对象，从而阻止网络完全学习对象的特征。因此，引入更多的对象可以提高模型的准确性和鲁棒性。此外，更多的目标增强了对不同场景的适应性，提高了泛化能力。因此，这种增强方法有效地提高了模型的性能