PV-RCNN

PDF：https://arxiv.org/pdf/1912.13192.pdf
CODE: https://github.com/sshaoshuai/PV-RCNN

一、大体内容

前面介绍了基于Point的3D目标检测网络（PointRCNN、3DSSD）以及基于voxel的3D目标检测网络（VoxelNet、SECOND、PointPillar），基于Voxel的方法比较高效，其多尺度的特征可以生成较高质量的候选框，但是在点云转换成Voxel时会丢失精度，基于Point的方法精度高但是有较高的计算成本，因此作者结合基于Point和基于Voxel方法的优势，提出新的两阶段目标检测框架PV-RCNN。

第一阶段先将原始点云转换为Voxel，在下采样的同时借助稀疏卷积提取得到Voxel不同尺度的特征，最后的特征层投影到鸟瞰图视角，使用Anchor-Based的方法预测候选框和类别，另外一个分支对原始点云按照FPS进行采样，并通过Voxel-to-keypoint提取不同阶段的Voxel特征并将其作为这些关键点的多尺度特征.
第二阶段是将3D获选框和关键点特征进行进行融合，这里作者提出了一个新的Rol-Grid Pooling模块来完成特征融合，之后再经过FC层进行特征提取，最后分别输入到框回归分支以及置信度分支。

从下图可以看出来，图的上面一块主要是基于Voxel进行特征提取，其主要特点就是下方的关键点分支，包括如何给关键点分配多尺度Voxel特征，如何和3D候选框进行特征融合。

二、贡献点

提出PV-RCNN框架，结合了基于Voxel和基于Point方法的优势，在KITTI数据集上取得了非常显著的效果，比之前的方法有较大的提升
提出Voxel-to-keypoint的编码方法，获取关键点的voxel特征，既保留了位置信息又拥有丰富的全局信息
提出Keypoint-to-grid RoI将3D候选框和对应的关键点特征进行融合，提升了目标检测算法的性能

三、细节

1. 体素化及特征提取

点云空间首先被划分成L * W * H的体素格子，非空体素的特征为内部所有点特征的均值。然后采用4组3 * 3 * 3的稀疏卷积对特征进行降采样，分别得到1X，2X，4X, 8X的特征，这里面稀疏卷积原文中没有提，可以参考SECOND里面的稀疏卷积，主要目的是用来加速模型推理过程，并且可以减少内存占用。其大体思想先像普通卷积一样先扫描一遍，构建输入输出规则索引矩阵(这里不做具体计算，只记录输入和输出索引对应的关系)，在真正做卷积时就可以跳过不需要计算的0元素，计算完成后再借助索引矩阵恢复至输出相应位置。

2. 候选框生成

8倍下采样的特征按照Z轴投影得到\(\frac{L}{8} \times \frac{W}{8}\)得到2D特征图，然后基于Anchor-based方法，每个类别的Anchor大小参照每个类别的平均大小，还有0和90度两个方向，共得到\(2 \times \frac{L}{8} \times \frac{W}{8}\)个Anchor，基于这些Anchor回归出3D候选框。

实验也表明这种候选框生成方式具有更好的效果。

3. 为什么要引入关键点

目前大多数精度高的工作都采用了two-stage框架，也就是需要优化（refine）。作者认为存在以下两个问题：

如果采用传统RoI Pooling的方式，经过8倍降采样后会使得分辨率很低，无法表示精确的位置；
即使可以上采样获得更大空间尺寸的特征图，特征图通常相当稀疏，RoIPooling/RoIAlign操作中常用的三线性或双线性插值只能从非常小的领域提取特征。因此，传统的池化方法将获得大部分为0的特征，浪费内存和计算资源。
有些直观的方法是直接聚合多尺度特征，然后输入到后续优化步骤，但是这种策略通常占用大量内存，所以作者引入了关键点，首先得到一些可以代表完整点云的关键点，然后将关键点的特征集成到后续框优化网格中进行处理，这样既节省内存也保留了丰富的特征。

4. Voxel-to-keypoint的编码

这一步的目的是把提取到的多尺度特征分配给少量的关键点，利用这个关键点特征让3D多尺度特征和后续候选框强化进行连接。

关键点采样
直接采用最远点采样方法，对于KITTI数据集实验采用的是2048个关键点，对于Waymo数据集选择的是4096个关键点。
Voxel Set Abstraction（VSA）模块
这个模块负责把多尺度特征分配给采样的关键点，下方公式其大体思路就是在每一尺度特征下，找出关键点一定范围内的Voxel，并记录这些voxel的特征，

然后借助PointNet模块对这些voxel特征进行进一步提取，将其作为该尺度下这个关键点的特征。

最后在将不同尺度的特征进行拼接，得到关键点的多尺度特征。

扩展的VSA模块
为了使得关键点特征更加丰富，利用PointNet模块在关键点上提取原始点云特征\(f^{raw}\)，可以弥补点云体素化带来的损失，进一步的在2D BEV特征图上采用双线性插值得到关键点投影到BEV上的特征\(f^{bev}\)，可以增大在z轴的感受野。
最终关键点的特征由原始点云特征\(f^{raw}\)、体素多尺度特征\(f^{pv}\)、鸟瞰图特征\(f^{bev}\)三部分组成：

在实验阶段还给出了不同特征组合的效果对比。
预测关键点权重Predicted Keypoint Weighting(PKW)
前面提到关键点是通过FPS采样得到的，这里面可能有一些背景点，但背景点对于后续优化候选框是没有什么用的，因此这里作者设计了一个网络给不同的关键点赋予不同的权重，其目的是让前景点的权重更高。

在训练阶段，其标签采用的是关键点是否在3D GT Box内部，然后采用Focal Loss损失函数预测得到一个权重系数，最后关键点的特征再乘上这个系数作为后续候选框优化。