论文小结：Part A^2 Net

论文小结：Part A^2 Net
W.P. Xiao, Vision group, SHUSV

	版本	更新时间	更新内容	作者
1	V 1.0	2020.5.8	完成小结的框架细节部分	W.P. Xiao
2

---

目录

Part A^2 Net

这里是Paper，这里是Code

1 简介

  这文章标题为《From Points to Parts: 3D Object Detection from Point Cloud with Part-aware and Part-aggregation Network》，简称Part A^2 Net，收录于PAMI 2020。文章一作是来自香港中文大学MMLab实验室的博士Shaoshuai Shi，他比较出名的paper还有PointRCNN、PV-RCNN，都是很出色的工作，刚出来都是state-of-the-art。尤其PV-RCNN在KITTI benchmark的Car类别上已经霸榜很久了。根据Github公布的最新数据，Part A^2 Net目前排在11名的位置（2020年5月9日）。这篇文章是针对之前工作PointRCNN的改进版，起初这篇文章挂在axXiv上时（19年7月份）就引起了笔者的关注，目前这篇文章是作者提交的第三版，内容上更加丰富并且容易理解。这篇文章主要强调的是charge-of-free的intra-object part prediction的重要性，它能够帮助网络更好的了解proposal的形状和位置信息。为此作者提出了一系列改进方法，将part-awre的特征进行有效的融合，最终改善预测性能。

2 文章的贡献

• 提出了Part A^2网络框架用于点云的三维物体检测，该框架利用免费的intra-object part（对象内部零件）信息学习有区别的三维特征，通过RoI-aware pooling和稀疏卷积有效地聚合零part feature，提高了三维物体检测的性能。
• 提出了两种3D proposal generate策略，一种是anchor-free，具有更高的内存利用效率，一种是anchor-based，具有更高的recall。
• 为了消除现有点云RoI pooling操作的模糊性，作者提出了一种可微分的roi-aware点云region pooling操作。实验表明，混合特征表示方法显著地改善了box细化阶段。

3 整体框架

  从图3.1可以看出，Part $A^2$的整体框架很清晰，分为两个部分。一个是part-aware阶段，这个阶段完成了初步proposal的生成、点云分割、proposal内，点相对位置的预测（后面会解释具体是什么）。另一个是part-aggregation阶段，这个阶段完成了用于refine的特征聚合或者说pooling，以及box refinement，confidence预测。

图3.1 整体框架

4 框架细节

4.1 Stage-I: Part-aware 3D proposal generation

• Point-wise feature learning via sparse convolution

  作者这里将点云体素化后使用了3D稀疏卷积作为backbone，相比于之前的PointNet++的方法更有效也更高效，回归出来的box召回率也更高。作者这里将点云进行了高密度的voxel划分（5cm x 5cm x 10 cm），使其可以近似的代替原始点云。

• Estimation of foreground points and intra-object part locations

  这是文章非常核心的一个部分，作者认为segmentation masks有助于网络区分前景点和背景，而 intra-object part locations为神经网络识别和检测三维对象提供了丰富的信息。

  • Formulation of intra-object part location

    具体公式就不列了（5.1节还有进一步的分析），这里比较好理解。这一步是将proposal内的点转化为intra-object part location，具体呢就是将proposal内的每一个点转化为proposal内的相对坐标。intra-object part location的坐标归一化到0~1区间，表示了点在proposal内的相对位置。

  • Learning foreground segmentation and intra-object part location estimation

    为了学习foreground segmentation和intra-object part location的预测，作者分别设计了loss函数，这部分还比较常规，具体可见4.3节。

• 3D proposal generation from point cloud

  • Anchor-free 3D proposal generation

    图4.1 Bin-base损失

    这个部分和作者之前的工作PointRCNN比较相似（PointRCNN使用的backbone是PointNet++，它直接将学习到的每个点的feature用来预测3D proposal），这里是将其替代为稀疏卷积的backbone（encoding和decoding）。当然不管backbone是PointNet++也好sparse convolution也好，直接的来预测3D box的中心点是比较困难的，作者指出是因为X，Y的坐标范围比较大，和距离较proposal中心点较远的点来说会引起误导。为此作者提出bin-based center regression loss，当然这个独特的设计在PointRCNN中就已经提出来了。作者对于回归范围比较大的量（X，Y，θ）使用bin-based loss，一般量（z，h，w，l ）使用常规的smooth-L1 loss。要特别注意的是Anchor-free的方法是针对所有前景点进行proposal生成的。

  • Anchor-based 3D proposal generation

    Anchor-based的方法和SECOND类似就不具体展开。

  • Discussion of the two 3D proposal generation strategies

    作者指出，Anchor-free的策略通常是对于轻量级和内存高效利用的网络，因为它不需要评估三维空间中每个空间位置的大量anchor。这对于多类别的对象检测的效率更明显，因为在三维对象检测中，不同的类通常需要不同大小的anchor，而anchor-free方案可以共享点向特征，为多个类生成建议。而Anchor-based的proposal生成策略实现了略高的召回率，它用每个类的预定义暗沉覆盖了整个鸟瞰图，但有更多的参数，需要更多的GPU内存。作者其实更倾向Anchor-free的方法。

• RoI-aware point cloud feature pooling

  • Canonical transformation

    作者认为如果将box refinement target在正则坐标系中进行归一化，会更加有利于接下来的box refinement阶段（这个观点最开始是在PointRCNN中提出）。具体操作呢，就是先进行坐标转换，将proposal内点的坐标与proposal中心点的坐标相减，得到一个相对坐标值。然后是进行坐标旋转，将proposal内点的坐标旋转使其与proposal的方向一致。其实这两步加起来就是将proposal在点云的全局坐标系下的坐标转化为在以proposal中心点为原点，x轴或y轴与proposal方向一致的局部坐标系中。

  • RoI-aware point cloud feature pooling

    图4.2 RoI-aware point cloud pooling

    如图4.2所示直接将点云做pooling容易引起模棱两可的情况，而具有part感知的pooling方式能有效消除这种情况。不同于PointRCNN中直接简单的将proposal中所有点的特征进行聚合，作者这里将每个proposal划分为14 x 14 x 14的固定数量的voxel（这里的voxel是对proposal内的空间进行体素化与之前对原始点云进行体素化的voxel是不一样的），作者特别说明这个voxel的划分是独立于proposal大小的，也就是说不管proposal的大小，都是划分为这么多voxels。针对每个voxels作者设计了AvePool和MaxPool分别用来聚集point-wise part locations和semantic feature。

4.2 Stage-II: Part location aggregation for confidence prediction and 3D box refinement

• Fusion of predicted part locations and semantic part features

  • 使用RoIAwareAvgPool模块对每个voxel中点的point-wise part locations求平均值，然后通过sparse convolution layer将AvgPool后的特征维度提升至于semantic feature维度一致。

  • 使用RoIAwareMaxPool模块对每个voxel中点的semantic feature求feature-wise的max pooling。

  • 将两部分特征concatenate在一起

• Sparse convolution for part information aggregation

  对于每个3D Proposal，我们需要从该proposal所有内部空间位置聚合上一步获得的fused features ，以实现健壮的3D box评分和refinement。如图3.1右边所示，作者堆叠了几个kernel size为3 x 3 x 3的三维稀疏卷积层，随着感受野的增加，我们可以聚合proposal内的所有part feature。为了节约计算资源和减少参数量，作者在后面还接了一个2 x 2 x 2的max pooling操作，将其降采样至7 x 7 x 7。作者认为，基于稀疏卷积的part-aware aggregate策略，通过从局部到全局的尺度进行特征聚合，可以有效地了解、预测part location的空间分布。

• 3D IoU guided box scoring

  作者以3D IoU作为引导，定义了新的proposal质量评估指标：
  $$q^{(a)}=\{\begin{array}{ll}1& \text{ if }\mathrm{I}\mathrm{o}\mathrm{U}>0.75\\ 0& \text{ if }\mathrm{I}\mathrm{o}\mathrm{U}<0.25\\ 2\mathrm{I}\mathrm{o}\mathrm{U}-0.5& \text{ otherwise }\end{array}$$
  其中$L_{score}$的loss函数使用的是binary cross entropy。实验表明，相对于传统的traditional classification based box scoring，3D IoU guided box scoring有轻微的提升。

4.3 Overall loss

$${\mathcal{L}}_{\text{total }}={\mathcal{L}}_{\text{aware }}+{\mathcal{L}}_{\text{aggregation }}$$

  整个网络loss由两部分组成，分别是part-aware loss和part-aggregation los。

• Losses of part-aware stage-I
  $${\mathcal{L}}_{\text{aware }}={\mathcal{L}}_{\mathrm{s}\mathrm{e}\mathrm{g}}+\frac{1}{N_{\mathrm{p}\mathrm{o}\mathrm{s}}}{\mathcal{L}}_{\mathrm{p}\mathrm{a}\mathrm{r}\mathrm{t}}+\lambda \frac{1}{M_{\mathrm{p}\mathrm{o}\mathrm{s}}}{\mathcal{L}}_{\mathrm{b}\mathrm{o}\mathrm{x}}$$

  • ${\mathcal{L}}_{\text{seg}}$，点云分割损失，loss函数使用的是focal loss
  • ${\mathcal{L}}_{\text{part}}$，part locations回归损失，loss函数使用的是binary cross entropy loss（为什么这里使用的是一个分类损失函数，作者解释是因为part locations的值就在0~1之间）
  • ${\mathcal{L}}_{\text{part}}$，3D proposal回归损失，loss函数使用的是smooth-L1
  • 其中$\lambda =2$；对于anchor-free的方法（PointRCNN里面的做法）， $N_{\mathrm{p}\mathrm{o}\mathrm{s}}=M_{\mathrm{p}\mathrm{o}\mathrm{s}}=前景点个数$

• Losses of part-aggregation stage-II

$${\mathcal{L}}_{aggregation}={\mathcal{L}}_{score}+\frac{1}{T_{pos}}{\mathcal{L}}_{box\_refine}$$

L b o x − r e f i n e = ∑ r e s ∈ { x , y , z , l , h , w , θ } L smooth-L1  ( Δ res  ( r ) ^ , Δ res  ( r ) ) + L corner  \mathcal{L}_{\mathrm{box-refine}}=\sum_{\mathrm{res} \in\{x, y, z, l, h, w, \theta\}} \mathcal{L}_{\text {smooth-L1 }}\left(\widehat{\Delta_{\text {res }}(r)}, \Delta_{\text {res }}(r)\right)+\mathcal{L}_{\text {corner }} Lbox−refine​=res∈{x,y,z,l,h,w,θ}∑​Lsmooth-L1 ​(Δres ​(r) ​,Δres ​(r))+Lcorner ​

• ${\mathcal{L}}_{\text{score}}$，box质量回归损失，loss函数使用的是binary cross entropy loss
• ${\mathcal{L}}_{box\_refine}$，3D box proposal回归损失
  • ${\mathcal{L}}_{\text{smooth-L1 }}$，中心点、size、角度回归损失（具体参见PointRCNN里面的做法），loss函数使用的是smooth-L1
  • ${\mathcal{L}}_{\text{corner}}$，是预测的proposal的8个弯角点与指定的ground-truth的8个弯角点之间的距离，loss函数使用的是smooth-L1
• 其中$T_{\text{pos }}$是正样本的proposal

5 讨论 & 思考

5.1 什么是intra-object part？

图5.1 前景点的对象内部部分位置的说明

  作者通篇都在讲free-of-charge的intra-object part predicted的重要性，并且作者提到目前还没有人在这方面进行讨论研究，这也是作为改进版的Part $A^2$相比于PointRCNN好的一个主要原因，它更充分的利用了3D proposal 所提供的自然的几何信息。那么intra-object part到底是什么，其实一开始我看挂在arXiv上的第一版（Part-A^2 Net: 3D Part-Aware and Aggregation Neural Network for Object Detection from Point Cloud）时还是有点懵，这个part到底指什么，图上故意吧8个corner标成五颜六色也不知道是想干嘛，感觉有点误导。现在Part-A2 Net被PAMI收录，相比于第一版丰富了很多内容，也更容易理解。如图5.1（现在这个版本加上了坐标轴和标注，这个图一看就很清晰，即使没有颜色标注也知道是啥意思），intra-object part其实就是proposal中每一个点相对于坐标原点在各个坐标轴上的相对位置，每个坐标范围归一化为0~1。这样一种表示方式其实就指示了三维物体表面点的相对位置，隐式的编码三维物体的形状，这个能帮助网络更好的理解proposal的内外空间几何信息。

5.2 基于sparse convolution的backbone是怎么实现点级的semantic segmentation的？

  没有看代码这个地方还不太确定，目前猜测可能是用voxelization后的坐标和特征对原点云进行近似，这里前景点可能已经指的是voxel的坐标点了。因为作者这里吧voxelization的size设定的很小（5cm x 5cm x 10 cm），几乎可以与原点云进行近似。

5.3 在proposal中每个part的特征融合阶段，为什么要将预测的part locations和semantic part feature的特征维度进行对齐？

  这个地方笔者不是很理解作者这样的做法，进行AvgPool之后每个part locations的维度是3，进行MaxPool之后的semantic part feature维度是c，个人感觉这其实是不影响两部分特征就行拼接的。作者故意通过3D 稀疏卷积将其升维成和semantic part feature维度一样，不知道是否会破坏原有的每个part locations所代表的几何意义。如果是拼接之后再升维似乎更好理解。

---- end ----