【CenterFusion】CenterFusion网络架构概述

一、CenterFusion 概述

• 这个项目，重点研究毫米波雷达和相机传感器融合的方法
• 利用毫米波雷达传感器数据和相机传感器数据进行 3D 目标检测
• 并在 NuScenes 数据集上面进行评估
• CenterFusion 网络架构：
  

CenterFusion 网络架构首先利用全卷积骨干网提取目标物体中心点的图像特征，再回归到物体的其它属性，如三维位置、方向和尺寸，并获得初步的 3D Box
截锥关联模块将雷达检测结果与对应目标中心点关联（雷达检测结果映射到图像平面）并生成雷达特征
然后将图像和雷达特征连接起来， 再二次回归到目标属性，如深度、旋转以及速度等三维属性来细化初步的 3D Box
该网络架构主要可以分为两个部分分析，一个是上面一行的图像目标检测，另一个是下面一行的雷达点云数据处理。

二、图像目标检测

CenterNet 中主要提供了三个骨干网络 ResNet-18 (ResNet-101)、DLA-34、Hourglass-104
CenterFusion 网络架构在对图像进行初步检测时，采用 CenterNet 网络中修改版本的骨干网络 DLA（深层聚合）作为全卷积骨干网，来提取图像特征，因为 DLA 网络大大减少了培训时间，同时提供了合理的性能
再回归图像特征来预测图像上的目标中心点，以及目标的 2D 大小（宽度和高度）、中心偏移量、3D 尺寸、深度和旋转
主要回归头的组成：256 个通道的 3×3 卷积层、1×1卷积层。这为场景中每个被检测到的对象提供了一个精确的 2D 边界框以及一个初步的 3D 边界框
CenterNet 原理：
第 1 步：以图像$$I\in R^{W\times H\times 3}$$作为输入，生成预测关键点热图 $$Y\in [0,1{]}^{\frac{W}{R}\times \frac{H}{R}\times C}$$其中 $$W$$和 $$H$$是图像的宽度和高度， $$R$$是下采样比， $$C$$是物体类别的数
意思是将一张 $$W\times H$$的图片作为输入，然后通过下采样（池化）生成 $$\frac{W}{R}\times \frac{H}{R}$$的关键点热图，图中的每一个像素的热值在 [0,1] 之间。
第 2 步：再以 $$\hat{Y}=1$$作为输出的预测
意思是检测到一个以图像 ( x , y ) (x,y)(x,y) 为中心的 c cc 类目标
对于每个中心点，还预测了一个局部偏移量，以补偿由骨干网输出步数引起的离散误差
第 3 步：使用高斯核从地面真值 2D 边界框生成地面真值热图 $$Y\in [0,1{]}^{\frac{W}{R}\times \frac{H}{R}\times C}$$
这是为了与模型预测的结果进行比较，从而计算 loss 值（损失）
第 4 步：对于图像中 c cc 类的每个边界框中心点 $$p^i\in R^2$$，在 $$Y_{:,:,c}$$上生成一个高斯热图：
$$Y_{qc}=\underset{i}{\max }exp(\frac{(p_i-q{)}^2}{-2{\sigma }_i^2})$$
其中 $${\sigma }_i$$是一个尺寸自适应标准差，根据每个对象的尺寸控制热图的大小，采用全卷积码-解码器网络对 $$\hat{Y}$$进行预测
第 5 步：使用单独的网络头直接从检测到的中心点回归对象的深度、尺寸和方向，来生成 3D Box
在回归模块中
深度被作为额外的输出通道 $$\hat{D}\in [0,1{]}^{\frac{W}{R}\times \frac{H}{R}}$$，因为使用了 sigmoidal 逆变换，并将其应用到了原始深度域
方向被编码为两个容器，每个容器中有 4 个标量
给定带注释的对象 $$p0,p1,...$$在一幅图像中，训练分类损失，即 focal loss 定义如下：
$${\mathrm{L}}_{\mathrm{k}}=\frac{1}{\mathrm{N}}\sum _{\mathrm{xyc}}\{\begin{array}{ll}{\left(1-{\hat{\mathrm{Y}}}_{\mathrm{xyc}}\right)}^{\alpha }\log \left({\hat{\mathrm{Y}}}_{\mathrm{xyc}}\right)& {\mathrm{Y}}_{\mathrm{xyc}}=1\\ {\left(1-{\mathrm{Y}}_{\mathrm{xyc}}\right)}^{\beta }{\left({\hat{\mathrm{Y}}}_{\mathrm{xyc}}\right)}^{\alpha }\log \left(1-{\hat{\mathrm{Y}}}_{\mathrm{xyc}}\right)& \text{ otherwise }\end{array}$$
其中 $$N$$为对象数量 $$Y\in [0,1{]}^{\frac{W}{R}\times \frac{H}{R}\times C}$$为标注对象的地面真值热图$$\alpha$$和$$\beta$$为焦损超参数

三、雷达点云处理

• 首先，需要搞清楚雷达点云检测的是径向深度和目标实际速度的不同，如图：
  

对于目标 A，车辆坐标系内速度与径向速度相同 $$(v^A)$$，另一方面，对于目标 B，雷达报告的径向速度 $$(v_r)$$与目标在车辆坐标系中的实际速度 $$(v^B)$$存在差异
支柱扩张：

• 在截锥关联之前，有一个支柱扩张模块，对雷达点云进行预处理：将每个雷达点云扩展成一个固定尺寸的柱状，如下图所示：
  

• 这是为了解决每个雷达点云在截锥关联中高度信息不准确的问题
  截锥关联

• 第 1 步：利用图像平面中对象的 2D 边界框及其估计深度和大小，为对象创建一个 3D 感兴趣区域（RoI）截锥，如下图所示：
  

有了截锥对象，缩小了需要检查关联的雷达点云探测范围，因为这个截锥之外的任何点云都可以忽略
如果该 RoI 内存在多个雷达检测点云，则取最近的点作为该目标对应的雷达检测点云
第 2 步：对于每一个与物体相关的雷达检测，我们生成三个以物体的二维包围框为中心并在其内部的热图通道，热图的宽度和高度与物体的 2D 边界框成比例，并由参数 α 控制
其中热图值是归一化对象深度(d)，也是自中心坐标系中径向速度 $$(v_x)$$和 $$(v_y)$$的x和y分量：
$$F_{x,y,i}^j=\frac{1}{M_i}\{\begin{array}{ll}{f}_i& \left|x-c_x^j\right|\le \alpha w^j\text{ and }\left|y-c_j^i\right|\le \alpha h^j\\ 0& \text{ otherwise }\end{array}$$
$$i\in 1,2,3$$是地图通道的特性,$$M_i$$是一种规格化因素, $$f_i$$是特征值 $$(d,v_x或v_y)$$ $$c_x^j$$和$$c_y^j$$是 j 对象的 x 和 y 坐标对象的中心点的图像， $$w^j$$和 $$h^j$$是 j 对象的宽度和高度的 2D 边界框
第 3 步：两个物体的热图区域重叠，深度值较小的那个占优势，因为只有最近的物体在图像中是完全可见的，如下图所示：

第 4 步：生成的热图然后连接到图像特征作为额外的通道，这些特征被用作二次回归头的输入，以重新计算对象的深度和旋转，以及速度和属性
二次回归头由 3 个卷积层 (3×3 核) 和 1×1 卷积层组成，以产生所需的输出
最后一步是将回归头结果解码为 3D 边界框，3D Box 解码器块使用估计的深度、速度、旋转和二次回归头部的属性，并从主回归头部获取其他对象的属性