辅助网络
在训练阶段 ， 我们提出一个辅助网络来抽取骨干网络中间层的卷积特征 ， 并将这些特征转化成点级特征(point-wisefeature) 。 在实现上 ， 我们将卷积特征中的非零信号映射到原始的点云空间中 ， 然后在每个点上进行插值 ， 这样我们就能获取卷积特征的点级表示 。 令{():j=0,…,M}为卷积特征在空间中的表示,{:i=0,…,N}为原始点云,则卷积特征在原始点上的表示等于

文章图片

辅助任务
我们提出两种基于点级特征的监督策略来帮助卷积特征获得很好的结构感知力 ， 一个前景分割任务 ， 一个中心点回归任务 。

文章图片

具体来说 ， 相比于PointNet特征提取器(a) ， 卷积网络中的卷积操作和下采样会造成点云结构的破坏（b）使得特征对物体的边界与内部结构不敏感 。 我们利用分割任务来保证部分卷积特征在下采样时不会被背景特征影响(c) ， 从而加强对边界的感知 。 我们利用中心点回归任务来加强卷积特征对物体内部结构的感知能力(d) ， 使得在少量点的情况下也能合理的推断出物体的潜在大小 ， 形状 。 我们使用focalloss和smooth-l1对分割任务与中心回归任务分辨进行优化 。
3.工程上的改进

文章图片

【「奥秘世界」CVPR2020|阿里达摩院自动驾驶新成果,3D物体检测精度与速度的兼得】在单阶段检测中 ， featuremap和anchor的对齐问题是普遍存在的问题 ， 这样会导致预测出来的边界框的定位质量与置信度不匹配 ， 这会影响在后处理阶段（NMS）时 ， 高置信度但低定位质量的框被保留 ， 而定位质量高却置信度低的框被丢弃 。 在two-stage的目标检测算法中 ， RPN提取proposal ， 然后会在featuremap上对应的的位置提取特征（roi-pooling或者roi-align） ， 这个时候新的特征和对应的proposal是对齐的 。 我们提出了一个基于PSRoIAlign的改进 ， Part-sensitiveWarping(PSWarp),用来对预测框进行重打分 。
如上图 ， 我们首先修改最后的分类层以生成K个部分敏感的特征图 ， 用{X_k：k=1,2 ， ... ， K}表示 ， 每个图都编码对象的特定部分的信息 。 例如 ， 在K=4的情况下 ， 会生成{左上 ， 右上 ， 左下 ， 右下}四个局部敏感的特征图 。 同时 ， 我们将每个预测边界框划分为K个子窗口 ， 然后选择每个子窗口的中心位置作为采样点 。 这样 ， 我们可以生成K个采样网格{S^k：k=1,2 ， ... ， K} ， 每个采样网格都与该局部对应的特征图相关联 。 如图所示 ， 我们利用采样器 ， 用生成的采样网格在对应的局部敏感特征图上进行采样 ， 生成对齐好的特征图 。 最终能反映置信度的特征图则是K个对齐好特征图的平均 。
4.效果

文章图片

我们提出的方法(黑色)在KITTI数据库上的PRCurve ， 其中实线为两阶段方法 ， 虚线为单阶段方法 。 可以看到我们作为单阶段方法能够达到两阶段方法才能达到的精度
在KITTI鸟瞰(BEV)和3D测试集的效果 。 优点是在保持精度的同时 ， 不增加额外的计算量 ， 能达到25FPS的检测速度 。

来源：(奥秘世界)

【】网址：http://www.shadafang.com/c/gx0323R5aH020.html

标题：「奥秘世界」CVPR2020|阿里达摩院自动驾驶新成果,3D物体检测精度与速度的兼得( 二 )