以下文章来源于自动驾驶之心 ，作者Wrysunny
今天自动驾驶之心很荣幸邀请到Wrysunny来分享BEV感知的最新进展BEV-IO，Wrysunny也是我们的签约作者，如果您有相关工作需要分享，请在文末联系我们！
BEV-IO：Instance Occupancy引领新纪元，解放BEV下的3D检测
标题：BEV-IO: Enhancing Bird’s-Eye-View 3D Detection with Instance Occupancy
Paper: https://arxiv.org/pdf/2305.16829.pdf
导读
本文提出了一种名为BEV-IO的新的3D检测方法，旨在增强鸟瞰视角（BEV）表示，并提供更全面的3D场景结构信息。传统的BEV表示方法将2D图像特征映射到视锥体空间上，是基于显式预测的深度分布。但是，深度分布只能表征可见物体表面的3D几何信息，无法捕捉它们的内部空间和整体几何结构，导致生成的3D表示稀疏且不令人满意。为了解决这个问题，BEV-IO引入了一种新的3D检测方法，通过实例占据信息增强BEV表示。该方法的核心是新设计的实例占据预测（IOP）模块，旨在推断每个实例在视锥体空间中的点级占据状态。为了保证训练效率并保持表达灵活性，该模块使用显式和隐式监督的组合进行训练。通过预测的占据信息，作者进一步设计了一种几何感知的特征传播机制（GFP），它根据视锥体中每条射线上的占据分布进行自注意力操作，以确保实例级特征的一致性。通过将IOP模块与GFP机制相结合，BEV-IO检测器能够生成具有更全面的BEV表示的高信息量的3D场景结构。实验结果表明，BEV-IO能够在性能上优于最先进的方法，同时只增加了可忽略的参数（0.2%）和计算开销（GFLOPs增加了0.24%）。
研究动机
BEV方法在3D检测中广泛应用，相比于基于激光雷达（LiDAR ）的方法，基于摄像头的方法具有更高的成本效益，并在自动驾驶和机器人等实际应用中显示出强大的潜力。基于摄像头的方法主要分为两个流派，其区别在于它们是否显式估计场景的深度分布。
隐式方法通过使用BEV查询和注意机制，以隐式地从多视角图像中生成BEV特征，避免了估计深度分布。不过，缺乏深度信息使得隐式方法容易过拟合于边界情况。
显式方法通过首先根据估计的深度将2D图像特征映射到视锥体空间，然后将特征投射到BEV空间中，从而实现BEV表示。这种方法明确地利用深度信息生成BEV表示，能更可靠地进行3D检测。
总的来说，基于摄像头的方法在成本效益方面相对更具优势，在许多实际应用中显示出了潜在的优势。但是，隐式方法存在过拟合的风险，而显式方法能够更可靠地获得准确的BEV表示，我们需要在选择方法时进行不同优缺点的权衡，根据具体应用需求来决定使用哪种方法。
关于BEV特征构建的显式方法主要涉及两个关键方面：将2D特征映射到BEV空间的方式以及要映射哪些特征。前者关键在于3D几何感知。之前的LSS方法提出了2D-BEV映射过程，并通过BEV包围框的真实值隐式学习深度。LSS缺乏深度的真实值，主要关注目标区域的深度，在整个场景的深度性能较差。一些研究尝试利用稀疏的深度真实值来监督深度估计，这显著提高了深度估计的准确性。
然而，这些方法仍然面临两个主要问题。
首先，深度信息只能表征可见物体表面，无法捕捉到其内部空间或整体几何结构，导致BEV空间中的3D表示稀疏。
其次，很多实例相对较小且距离较远，真实值LiDAR点的密度非常低，从这些稀疏的监督中学习到的深度估计可能不够优化。
总结说来，显式方法在BEV特征构建中面临的问题，即深度估计的准确性和表示的稀疏性。
本文贡献
本文所提的BEV-IO方法旨在利用实例占用信息，来解决上述两个问题。实例占用表示了3D点被物体占用的概率，与深度不同，它能够捕捉场景的全面3D空间几何信息。
它引入实例占用预测（IOP）模块，IOP通过显式和隐式的训练方式进行训练。显式训练方式利用3D包围框的注释作为强有力的监督信号，而隐式训练策略则通过端到端的优化来提高占用预测的性能，从而实现更灵活的训练。通过将显式和隐式的训练策略相结合，IOP模块能够填充物体的内部结构，并且不受稀疏深度真值的影响，生成更加针对实例的、全面的BEV表示。
对于第二个问题（要映射哪些特征）：设计了一种几何感知特征传播（GFP）机制作为替代方案，利用几何线索传播图像上下文特征，沿着每条输入射线进行占用分布自注意力来图像特征传递，并融入占用的几何结构信息，以更好地捕捉物体的内部空间结构。
看下图中，（a）使用估计的深度权重将图像特征映射到BEV空间，深度权重仅包含可见表面的信息，无法提供完整的几何结构信息；（b）在深度权重之上引入了占用权重，此外还通过了占用线索传递具有几何感知能力的图像特征。
现有方法介绍
1. 多视图 3D 目标检测
现有的方法都遵循一个统一的范式：将图像特征投影到BEV空间进行检测。这些方法可以根据它们不同的投影方法分为显式方法和隐式方法。显式方法通过特征映射将图像特征投影到BEV空间，而隐式方法则通过特征查询的方式进行投影。二者介绍分别如下：
（1）隐式的BEV-based检测方法
隐式方法不依赖于显式的几何信息，而是使用注意机制获取BEV特征。现有的隐式方法包括BEVFormer、BEVFormerv2、PETR、DA-BEV、OA-BEV和FrustumFormer等。它们通过不同的方式来处理BEV特征。例如，BEVFormer使用柱状结构进行可变形的跨注意力机制，BEVFormerv2引入透视检测器，PETR通过位置编码增强BEV特征的几何感知能力，DA-BEV进一步增强了BEV空间信息和预测深度之间的关系，OA-BEV利用实例点云特征提高检测性能，而FrustumFormer则利用实例掩码和BEV占用掩码增强了实例之间的特征交互。与FrustumFormer中的BEV占用掩码不同，BEV-IO直接预测了3D空间中点级别的占用情况，以更好地辅助显式方法中的特征提取过程。
（2）显式的BEV-based检测方法
显式的BEV-based检测方法的核心思想是使用几何信息将2D图像特征映射到BEV空间中。一些方法（LSS）使用深度权重将特征映射到视锥体空间，然后投影到BEV空间；而另一些方法（BEVDepth）利用GT深度监督来提高深度估计的准确性；此外，还有一些方法通过引入时间信息（BEVDet4D）或多视角机制（BEVStereo、STS）进一步改进性能。这些方法都存在一定的局限性：无法全面准确地表示BEV空间中的几何结构。
2. 占用预测
占用预测是预测给定空间中3D点或体素的占用状态。在基于BEV的3D物体检测中，占用预测的目标是估计3D点或体素被物体占用的概率或可能性。它提供了关于哪些空间部分很可能包含物体，哪些部分可能为空或是背景的信息。
一些研究提出了不同的方法来预测空间元素的占用状态：
MonoScene 提出了一种通过估计深度视锥体来预测占用状态的方法；
OccDepth 使用立体视觉先验来估计度量深度，从而提高占用状态的预测准确性；
Voxformer是一个两阶段的方法，将占用状态的预测与物体类别的预测分开处理；
TPVFormer 则提出了利用三视图特征来估计占用状态的方法；
OpenOccupancy 在nuscenes数据集上进行了占用状态的密集注释。
本文方法
显式的BEV-based
首先，来自六个视角的图像 被输入到预训练的图像编码器中，以获取图像特征 ，这里
、
和
分别表示特征图的高度、宽度和维度。与隐式方法不同，显式方法估计每个视角的深度视锥体 ，其中深度视锥体 表示在视锥体中沿每条射线的不同手工设定的深度区间的概率， 表示深度区间的数量。通过使用深度视锥体 对图像特征 进行加权，可以得到图像特征视锥体 :
多个视角的图像特征视锥体被映射间，得到对应的三维空间表示，并通过体素池化（将多个三维空间中的体素值合并为一个单独的值）操作将它们投影到BEV空间中，数学描述如下：
在基于摄像头的方法中，相机内参矩阵K用于将图像上的像素坐标转换为三维空间中的射线方向。相机内参包括焦距、主点坐标和相机畸变参数等信息，这些信息描述了相机的内部几何特征。
投影操作（Proj）利用相机内参矩阵K和深度信息，将图像特征从二维图像空间映射到三维空间。具体而言，对于图像上的每个像素点(x, y)，投影操作可以计算出相应的射线方向，即将二维坐标映射到三维空间中的一个射线。这个射线的方向可以由相机内参和深度信息确定，从而将图像特征映射到对应的三维空间位置。
体素池化（VoxPooling）是将三维空间中的特征值汇聚到BEV空间中的过程。在这个过程中，相邻的体素（三维空间中的体积像素）的特征值被合并以生成BEV特征。体素池化可以通过不同的方式进行，例如平均池化或最大池化，用于将体素特征进行降维和聚合，以生成BEV表示。
BEV-IO架构
它包括三个主要部分：图像编码器、视图转换器和检测头。这里，图像编码器和检测头与BEVDepth相同，就不过多介绍，主要来说视图转换器。视图转换器采用双分支：3D几何分支和特征传播分支。
（1）3D几何分支由深度解码器和两个实例占据预测解码器组成。深度解码器用于预测深度权重，而实例占据预测解码器用于预测截锥体空间内的实例占据权重。这些解码器是有监督的，会与GT进行对比。深度权重和实例占据权重被合并成深度-占据权重，将图像特征投影到截锥体空间。
（2）特征传播分支的核心是几何感知特征传播模块（GFP）。该模块利用显式的实例占据权重和图像特征作为输入，生成几何感知特征。这些特征将被投影到截锥体空间，形成BEV特征。
BEV-IO架构
来看整个流程，3D几何分支接收backbone提取到的图像特征作为输入，用于估计深度和显式/隐式实例占据权重。这些权重被融合起来生成深度-占据权重。下面的特征传播分支也接收图像特征和显式实例占据权重作为输入，然后通过一个几何感知的传播模块进一步增强图像特征，并融合几何信息。随后，使用深度-占据权重将获取到的几何感知特征投影到BEV空间中。最后将BEV 特征经过检测头得到最终结果。
3D几何分支
本文提出利用点级实例占据信息来辅助特征投影的方法，解决只使用深度信息将特征投影到BEV空间不完整的问题。
3D Geometry Branch
可以看到，3D几何分支以图像特征作为输入，预测深度、显式实例占用权重和隐式实例占用权重。深度和显式实例占用权重受到GT深度和生成的显式实例占用的监督。隐式实例占用权重学习一种隐式占用表示，深度-占用权重是这三种权重的加权和。
深度解码器：在BEVdepth 的基础上，深度解码器用于预测一组深度权重，这些权重对应于一组手动设计的深度区间。并通过二元交叉熵损失进行监督学习：
隐式 IOP 解码器：隐式实例占用预测解码器预测物体深度区间的占用概率，而深度权重只能捕捉到物体可见表面的信息，无法完整地表示物体内部空间。为了对缺失信息进行填补，隐式 IOP 解码器以端到端的方式，从输入的图像特征中预测每条射线上不同深度区间的占用概率，并且使用优化检测结果的整体目标代替GT的监督训练。
显式 IOP 解码器：手动注释点级占用信息费时费力，作者使用3D边界框的标签来构建占用标签，将占用标签建模为视锥体空间中的二元分类问题：将边界框内的3D点标记为1，否则标记为0。我们知道可以通过调节Focal loss中的α和γ参数，实现对样本权重的动态调节，使得模型聚焦于难分的样本，所以这里也是用 Focal loss 减轻类别不平衡的影响：
得到最终的深度占用权重如下:
点级占用的GT生成：这是一种用于训练和评估模型的方法，通过将3D物体边界框划分为盒子的内部和外部来确定点的占用状态。下面是具体的步骤：
对于每个3D物体边界框，将其空间划分为盒子的内部和外部两个部分。这可以通过边界框的顶点坐标或边界框的最小和最大坐标确定。
对于要生成点级占用标签的每个点，计算它与边界框六个面的法向量的点积。这个点积可以用来确定点相对于边界框的位置。
如果一个点在边界框的所有六个面内部，即点与边界框的所有面的法向量点积都为正，那么该点被认为是被物体占用的点；相反，如果一个点在边界框的外部，即点与边界框的任何一个面的法向量点积为负，那么该点被认为是未被物体占用的点。
论文中的伪代码如下：
特征传播
对于每个特征点，将其显式占用权重用作自注意力机制的Key和Query。自注意力机制可以根据输入的Key、Query和Value来计算输出。在这种情况下，Key和Query是由占用权重生成的，而值是图像特征。通过计算自注意力机制，特征点的特征可以在同一实例中传播。这意味着具有相似占用权重的特征点将相互影响并传播彼此的特征，这种基于几何信息的特征传播确保了同一物体区域内特征的一致性。
GFP
Loss Function
总损失是检测损失、深度损失 和占用损失 的加权组合：
通过调整损失权重λ来决定每项损失的贡献程度，具体的权重通常是根据具体任务和数据集的特点进行调整的，在这篇文章中，λ是提前设置好的。
实验
一些介绍：
数据集：所使用的数据集是nuScenes数据集，这是一个大规模的自动驾驶数据集，包含超过1,000个场景的复杂城市驾驶场景，并标注了10个类别的1.4百万个3D边界框。这些场景涵盖了波士顿和新加坡的不同天气、光照条件和交通情景。
数据集划分：数据集的场景被官方划分为训练、验证和测试集，比例为700/150/150。
评估指标：在评估BEV-IO方法的性能时，使用了nuScenes数据集官方提供的一系列评估指标。这些指标包括nuScenes检测分数（NDS）和平均精度均值（mAP），用于衡量目标检测任务的准确性。此外，还使用了平均平移误差（mATE）、平均尺度误差（mASE）、平均方向误差（mAOE）、平均速度误差（mAVE）和平均属性误差（mAAE），用于评估定位、尺度、方向、速度和属性等方面的误差。
对比实验是与其他基于BEV的方法进行的，为了公平，所有方法都使用了CBGS策略进行训练。BEV-IO优于BEVDepth方法，而且仅增加了0.15M的参数和0.6 GFLOPS的计算量
接下来是消融实验，首先是BEV-IO所提的三个组件的情况：
为了验证一个问题：在估计的深度足够准确时，是否仍需要实例占据信息。所以，在BEV-IO中移除了深度解码器，并直接使用真实的深度当作独热编码的输入，另一种情况就是在此基础上去掉实例占据信息。说来，前者就是表示深度信息足够的情况，后者就是在深度信息足够时不使用实例占据信息，两者的对比情况如下，去掉Instance Occ各方面精度下降了：
接下来是对各方法参数、计算复杂度的比较，与baseline相比，BEV-IO仅增加0.2%的参数、0.24%的GFLOPs的情况下，其他指标得到了提升：
最后是检测结果的可视化，BEV-IO的预测结果和GT重合更接近（黄框：预测框；绿色：GT）
总结
作者在这项工作中提出了BEV-IO方法，用于解决深度在捕捉整个实例时的局限性。他们设计了一个实例占据预测模块，可以显式和隐式地估计实例点级占据信息，从而实现更全面的BEV特征表示。此外，还引入了一种几何感知特征传播机制，通过利用几何线索来有效地传播图像特征。实验结果表明，他们的方法在性能上超过了当前最先进的方法，而且仅在参数增加和计算开销方面增加了可忽略的量，在性能方面得到了更好的权衡。
转自：“arXiv每日学术速递”微信公众号
如有侵权，请联系本站删除！
