RADIANT：一种全新的雷达图像关联网络用于3D目标检测

RADIANT：一种全新的雷达图像关联网络用于3D目标检测

论文地址：RADIANT: Radar-Image Association Network for 3D Object Detection

源码：https://github.com/longyunf/radiant

单位：密歇根大学、福特

动机

作为一种能够直接测量深度的传感器，其相较于Lidar存在较大的误差，因此利用雷达本身精度难以精确地将雷达结果与单目方法的3D估计相关联。本文提出了一种融合网络RADIANT来解决雷达-摄像机关联的挑战。通过预测雷达点到真实目标中心点的3D偏移，随后利用修正后的雷达点修正图像预测结果，使得网络在特征层和检测层完成融合。

贡献

1. 通过增强毫米波点云获得3D目标的中心位置
2. 使用增强后的毫米波点云完成相机-雷达的检测结果关联
3. 在多个单目SOTA模型中验证了结构有效性并取得SOTA

背景&问题定义

正雷达样本点

对于目标检测的训练，关键就是：候选点的选择、定义正负样本，FCOS3D将每个像素点作为目标候选点，而正样本点定义为GT目标中心周围的区域内。同样，对于本文，我们将每个雷达反射点作为目标的候选点，将成功与目标相关联的雷达像素点作为正样本点。但是，由于毫米波反射点的模糊性（存在多径干扰）和不准确性（检测的分辨率不高）等问题，导致反射点许多无法反映真实的目标位置框内，同时目前的主流多模态数据集（radar+camera）没有提供point-wise（点云级别）的标记，以上两种原因导致了：现有的毫米波反射点无论是精度上还是标注上，都需要做一些工作。

由此，作者如此解决：

1. 3D框内部的点云当然归属于对应目标，但是对于外部点云，作者设置距离阈值将一定范围内的点云考虑在内
2. 同时为了防止误召回，上一步召回的点云还需要再径向速度上与分配的GT目标相差在一定范围内

Radar Depth Offset

z为反射点相关联的目标深度，z_r为反射点的原始测量深度

细化动机：

1. 单目3D检测性能一直受到深度估计不精确问题的裹挟
2. 毫米波雷达能提供相较相机更精确的深度，但是其稀疏性、穿透性导致其很难反映出目标真实中心，甚至出现幽灵点，反射点到物体中心的偏移是未知的，但是又是关键的，我们通常需要通过物体的中心特征回归目标的各类属性
3. 预测的偏移不仅要包括深度偏移，还有image-plane的投影像素偏移，补偿雷达反射点在横向等方向上误差
4. 因为点云和目标匹配需要类别信息，毫米波用于分类的信息较少（无法通过形状判断）

网络架构

整体上，作者使用“双流”网络结构，图像、雷达分支分别使用原始FCOS3D网络、引入图像特征的轻量级FCOS3D网络，在Depth Fusion结构中，通过DWN（depth weight net）对两个head预测结果引入可学习的深度加权网络，并在最后预测加权后的目标深度。

我们按照(Backbone, Neck, Heads)：分别生成图像预测结果和点云预测结果, (Depth Fusion Modules)：修正图像预测结果，两个部分介绍细节：

Backbone, Neck, Heads

更进一步，对图像分支采用原始FCOS3D网络，不过多介绍。对Radar分支，输入的是投影到image-plane的数据，其中包括深度、坐标、速度、占位掩码（象征点云是否存在于像素中方便后面后处理），在neck部分加入了一些bottleneck瓶颈结构融合图像和雷达数据，解决点云分类能力不足的问题。最后就是在Head上，与图像的各类目标属性回归不同，点云只在其分布的投影像素中，计算类别得分、像素偏移、深度残差（偏移）三个属性。最后的结果形式如下。

Depth Fusion Module

在得到heads的结果后，这部分的任务就是将两个模态的结果融合，用radar预测的结果修正图像预测结果：

1. 关联投影后的雷达反射点radar pixels（预测修正后）与图像检测结果
2. 对关联后的每个radar pixels预测深度可靠性概率
3. 利用加权后的radar pixels，修正目标的深度，对于目标的尺度、角度等属性不做修改，作者认为是毫米波缺少目标朝向、尺度信息

---

• Radar-Camera Association

由上图，我们已得到两个Heads的输出，我们取图像预测结果的前1000个boxes按照得分，同样，我们也取radar预测结果中满足置信度＞T_r的radar pixels用于融合，我们把雷达预测结果先修正：

修正后，进行关联：匹配要满足以下条件：首先，类别相同，其次投影像素差在一定范围内，最后，深度误差在一定范围内，由此，完成筛选和匹配，假设两个Heads结果分别是M\N个，则复杂度为O(MN)

---

• Depth Weighting Network

上部分完成了radar pixels的筛选和匹配，本部分进行融合

这部分采用可学习的方式，与之对比的是将匹配的radar pixels深度与图像检测的深度进行平均相加这种不可学习的固定方式

这个网络的目的，就是判断radar pixels是否可信，输出可信度，用于最后的融合。

那么如何规定训练标签呢？

DWN预测的是每个点的置信度，DWN前向完成后，结合图像预测和GT，给予每个点云权重标签，用于训练DWN，DWN仅根据点云head输出特征、原始深度等信息预测，如果GT与radar更接近，α标记为1，反之和图像预测的结果更接近则为0.

---

• Fused Depth Calculation

上一步预测的radar pixels权重，这一步根据权重融合加权得到结果，Tα就是阈值，如果任意点云的深度权重阈值<阈值，则只考虑相机的预测结果

实验

作者对融合方式做了消融实验，其中None是不加入雷达反射点，Average代表平均反射点与图像预测深度，DWN是作者提出的深度权重网络。

由上图，最上面的Table1，表述了从由近到远过程中，图像、原始雷达、修正后雷达（中间）的预测误差，可以看到经过offset的修正后，雷达的深度预测值在近处的修正作用占比更大。这里不要被作者的数据吓到，因为这是丈量雷达反射点到目标中心偏移误差，因为雷达反射点本身就分布在非车身中心。

上图中的Figure 4，分别代表：融合后目标深度预测值和雷达反射点之间的偏差，GT目标深度和雷达反射点之间的偏差，两者的偏差分布整体是相似的，预测结果的偏差分布更加均匀。

Table2是NuScenes数据集上的实验结果对比，作者基于FOCOS3D, PGD两类单目检测模型改进，都得到了较大的提升，提升体现在mATE，AP两个数据指标上。同时，相比经典的centerfusion，也有较大的提升。

Figure 5中，分散的反射点通过预测offset，集中于目标的中心，目标的深度也得到了进一步的修正。

简单总结：

1. 作者提出的这种关联、更新方式，有效改善了单目单帧的目标深度预测能力，提出了细粒度更高的标记NuScenes毫米波点云的一种方式
2. 根据具体场景，根据传感器特性，在feature-level和decision-level上多方式非对称融合往往更加有效
3. 作者基于image-plane，选择的投影方式导致了点云偏移预测受限于特征提取方式，事实上雷达点云投影存在遮挡，同时点云稀疏，将其投影到image-plane上导致原本形状进一步丢失，进一步加剧了数据的稀疏性
4. 作者只通过radar改善了目标的位置性能和平均精度，事实上目标的RCS等信息对于其他属性仍然有一定修正作用