文章导读
本文是一篇将注意力机制应用在点云目标检测中的文章《TANet: Robust 3D Object Detection from Point Clouds with Triple Attention》,通过三元注意力机制强化目标信息,并用二级回归的方法提高定位精确度。
目录
-
前沿
-
核心思想
-
框架结构
-
实现细节
-
要点分析
-
思考展望
前沿
3D点云目标检测通常采用三种策略:
1. 基于原始点云的方法,设计网络提取特征,然后用两阶段检测网络估计结果;
2. 基于体素的方法,将点云转换成规则的体素网格,然后采用3D卷积做目标检测;
3. 基于鸟瞰图的方法,将3D点云编码成2D图像的方式,用图像目标检测的思路做目标检测。
但是在复杂场景下的3D点云目标检测效果仍然不佳:
1. 难以检测的对象(如行人)的检测准确率不够好;
2. 添加额外的噪声点后,现有方法的性能迅速下降;
主要产生的原因如下:
1. 行人等小目标的体积小于车辆,激光雷达扫描到目标上的有效点较少。
2. 行人所处的环境有大量可变背景物体(如树、灌木丛、电线杆等),在前景有效点较少的情况下,背景的复杂很大程度影响目标检测效果。
核心思想
针对以上的分析,本文设计了两个新颖的模块来提高网络的鲁棒性:
1. Triple Attention。结合通道注意力、点注意力和体素注意力来增强目标的关键信息,并抑制不稳定的点。其中通道注意力用于判断每个体素中哪些通道更加重要;点注意力用于判断一个体素中哪些点更加重要;体素注意力用于判断在所有体素网格中哪些网格更加重要。
2. Coarse-to-Fine Regression。采用两阶段回归的方法,将粗略回归的输出bbox作为精确回归的anchor,模块在不过度消耗计算成本的情况下提升定位准确率。
框架结构
本文首先将点云均匀分割成体素网格,然后用堆叠三元注意力模块分别处理每个体素,获得更具判别性的表达。之后用最大池化方法聚集每个体素内的点,从而为每个体素提取紧凑的特征表示。最后使用二次回归模块生成最终的 3D 边界框。如下图所示:
实现细节
1. Triple Attention
三元注意力机制分别由点注意力,通道注意力,和体素注意力组成。如下图所示:
V是输入体素网格,首先使用Point-wise和Channel-wise得到融合的注意力特征图M,根据它得到注意力作用后的体素特征F1,体素注意力机制作用在F1上,得到最终体素特征F2。
2. Coarse-to-Fine Regression
粗糙到精细的回归是一种二级回归的方式,利用粗糙回归模块的输出外接框作为细化回归模块的锚点来执行 3D 边界框估计。如下图所示:
Fine Regression输入是Coarse Regression的中间变量。可以说Coarse Regression部分网络指导Fine Regression部分网络。
要点分析
1. 借鉴NLP和图像领域较火的注意力机制,采用此类万金油模块提取被关注目标的特征信息,设计了针对点云特性的Triple Attention模块,该模块联合考虑通道注意力、点注意力和体素注意力,并执行堆叠操作从而获得多级特征注意力,进而得到对象的判别表示;
2. 考虑到在在噪声环境下,仅应用单个回归器模块做 3D 边界框定位的效果不佳。提出新型 coarse-to-fine regression 机制,基于粗糙回归结果,利用新型 Pyramid Sampling Aggregation融合方法得到跨层特征图,并细化基于融合后的跨层特征图实现,从而得到更精细的估计结果。
3. 该方法在难度较高的噪声环境中取得了不错的实验结果,在 KITTI 基准数据集上的量化比较结果表明,TANet 方法获得了当前最优性能,且其推断速度很快。
上图是本文在难例检测上与PointPillars的对比效果图。针对小目标的检测常规的网络会有较多的漏检和误检问题。
思考展望
该文主要解决了前面提到的两个问题:提高了难例检测的准确率;增强检测在噪声环境下的鲁棒性。
虽然实验结果的提升并没有太大的飞跃,但是这种注意力机制模块属于即插即用型,完全可以集成到其他更先进的网络结构中。二级回归的思想有点类似于Faster RCNN系列相对于YOLO系列的差别,在图像的两阶段检测中就是在第一阶段预测出前后背景,第二阶段针对某区域的前景在做位置的回归。
写作不易,觉得有用可以点个赞+关注,谢谢!
关注小编公众号,每天分享关于计算机视觉或无人驾驶感知方面的内容。