传统的基于锚框的图像目标检测算法其本质是对预定义的密集锚框进行内部物体类别的分类和边框位置的微调^[1]。而将其应用于点云目标检测时由于空间维度的增加, 大部分基于锚框的检测算法在部署时面临新的困难, 一方面在锚框铺设时需要考虑高度因素, 涉及到锚框数量、大小、角度和密度等超参数, 这些参数的手动试错过程需要耗费极大的精力和时间成本; 另一方面锚框角度回归的增加使得这一类算法在检测框微调时难度大大提升^[2]。

作为将Transformer^[3]应用于机器视觉领域的先驱, DETR算法^[4]将目标检测视为一个集合预测问题。Transformer本质上起到的是一个序列转换作用, 因而可以将DETR视为一个将图像特征序列向目标集合序列的转换模块。具体来说, DETR中设计了一系列的目标查询向量负责检测图像中不同位置的物体^[5], 每个目标查询向量都与来自卷积神经网络的空间视觉特征进行交互, 并利用交叉注意力机制^[6]自适应地收集目标相关信息, 用于估计检测框位置和目标类别。

在训练时, DETR预测固定数量的目标, 并对真实值和预测目标之间进行二分匹配以保证每个真实目标只有一个相匹配的对应。假设y表示真实目标集合, 表示N个预测目标集合, 一般来说N的取值要远远大于图像中真实目标数量。将y采用空元素Ø填充至N, 并计算N个元素之间的代价最低的二分匹配结果

(1)

式中，L_match表示真实值y_i在组合σ下与预测值 的匹配代价, 在DETR中采用匈牙利算法进行计算。匹配代价由损失函数所决定, 同时包含了类别预测和与真实框的相似性。对于每个真实目标y_i=(T_i, b_i)和预测目标 =(T_σ(i), b_σ(i)), 将其类别相同的概率定义为 , 其中类别标签可能为Ø。则匹配代价可以表示为

(2)

本文从基于体素化表达的检测算法出发, 采用DETR的结构构造一种新型的针对户外场景的3D点云目标检测算法, 并且结合点云数据和3D目标检测场景下的特点对原有的DETR进行了改进。其包含3个主要模块: ①体素化及三维体素编码网络; ②二维特征提取网络以及特征金字塔网络; ③结合空间调制交叉注意力(spatially modulated cross-attention, SMCA)的解码器。

1 问题描述

假定原始点云输入记为{p_n=(x_n, y_n, z_n, r_n), n=1, 2, …, N}, 其中(x_n, y_n, z_n)是点云的三维空间坐标位置, r_n是反射强度, N是集合中包含的点云总数。3D目标检测任务中要求对于场景内的所有真实目标{y_i=(T_i, b_i), i=1, 2, …, M}进行定位和分类, T_i和b_i分别表示目标的类别和检测框。检测框如图 1所示。

三维检测框通常采用底部中心点坐标加三维尺寸和角度的表示方法, 即b=(x_c, y_c, z_c, l, w, h, α)。其中(x_c, y_c, z_c)维底部中心点坐标, l, w, h为目标的三维尺寸长、宽、高, α是目标行进方向和X轴正方向的夹角。

2 算法设计 2.1 原理概述

本文所提出的基于Transformer的3D点云目标检测器结构如图 2所示。与大部分三维目标检测器类似, 包含3D体素编码网络、2D骨干网络以及头部检测网络。本算法在2D / 3D特征提取过程中所采用的三维体素特征编码网络和二维特征提取骨干网络与SECOND相同。本文的研究内容主要集中在头部检测网络, 一方面采用热度图初始化目标查询向量的方法, 使得编码器无需从头开始学习目标特征; 另一方面改进原有的空间调制注意力机制使其与热图初始化策略相适应, 极大地加快了网络的训练速度。

2.2 热图初始化的目标查询

DETR采用编码器-解码器的Transformer架构, 编码器和解码器都各自级联6层。编码器由多头自注意力和前馈网络组成, 起到的作用与卷积层类似, 都是从输入中关联并提取上下文特征, 只是自注意力机制更多关注全局特征, 其感受野要远大于卷积网络。解码器则具有额外的多头交叉注意力, 将固定数量的目标查询与编码器的输出特征进行交互, 并利用交叉注意力机制自适应地聚合相关信息。

在DETR及其诸多改进版本中, 目标查询通常采用0初始化或随机初始化, 这使得解码器需要更多层的级联才能使目标查询具备物体地空间特征。Efficient DETR算法^[7]中指出, 通过更好地初始化目标查询向量或者对解码器输出进行辅助损失计算, 能够有效减少解码器的级联层数并且增强其目标感知能力。受到这一观点的启发, 本算法采用了热图初始化的目标查询策略, 使得初始的目标查询位于或靠近真实的目标中心, 从而无需多层解码器来进行位置的细化。在本算法中, 对于来自骨干网络的深度点云特征首先送入解码器进行全局特征感知, 热图头接收解码器输出的全局特征并进行热图预测。

热图头预测位于潜在目标位置的关键点热图 ∈R^H×W×C, 其中H和W分别是输入鸟瞰特征图的高和宽, C是待检测目标类别(不包含背景类)。在训练时, 对于每一个被真实3D检测框覆盖的像素(x, y), 以类高斯分布形式对其进行赋值, 如(3)式所示

(3)

式中：p_x, p_y是真实目标检测框的中心点；σ_p是与检测框大小相关的分布半径。热图头的损失函数可以描述为

(4)

式中：α和β是用于训练的超参数；N是当前样本中所有待检测目标数量。

将热图头所输出的关键点热图 ∈R^H×W×C用于初始化目标查询流程如图 3所示。

对于给定的关键点热图 ∈R^H×W×C首先进行上采样和下采样

(5)

式中，S_up和S_down分别表示上采样和下采样。此处的上采样方法选用最近邻采样, 相比于 保留了局部最大特征的同时, 产生了更明显的梯度变化。将采样后的热图与原始热图进行比较, 并逐像素筛选出梯度变化处数值相同的位置作为关键点如(6)式所示。从而生成分布相对稀疏的热图, 以避免产生的查询在空间上过于封闭, 稀疏程度可以通过调节下采样倍率来改变。

(6)

在CenterNet^[8]中直接采用关键点热图的局部热峰作为预测框的中心点。但是在DETR的解码器中, 设定的解码器中目标查询数量要远大于真实目标数量, 若只采用目标中心点进行特征进行查询初始化, 在解码器的自注意力计算中, 会产生大量待检测目标与远处背景的无意义交互, 造成极大的计算开销。而在目标周边生成诸多稀疏的查询点, 中心点查询也会与边界点查询进行特征交互, 从而起到辅助类别判断和类似于偏移头的位置细化作用, 但同时位于目标周围数量众多的查询会导致大量假阳性检测结果。对此, 本节结合了2种查询点生成方式, 用孤立的中心查询点代替一部分在上一步中获得的稀疏查询点。

在得到稀疏化的热图后, 需要从各个通道的热图中选取热度值最大的T个位置作为初始查询的空间坐标。计算时首先将 ∈R^H×W×C拉直为一维向量 ∈R^L, 并进行逆序排序, 进而可以得到最大的T个热度值在一维向量内的坐标p。其所属类别和在热图上的位置坐标可以描述为(7)式。

(7)

需要注意的是此处的空间位置坐标i是每个单一类别热图拉直后的位置坐标。此外对每个查询的类别属性进行独热向量编码, 再通过多层感知机升维后产生类别编码。

最后将鸟瞰图下的特征图沿每个通道展开, 并将所有i_t位置下的特征进行拼接, 并叠加类别编码从而生成目标查询向量q_t∈R^D。

2.3 改进的空间调制交叉注意力机制

DETR另一个重要的问题在于其需要比现有的目标检测器训练更长的时间才能收敛^[9]。在COCO 2014^[10]数据集上DETR需要进行500周期的训练才能完全收敛, 相较于Faster R-CNN^[11]周期长了大约10~20倍。这主要是在初始状态下, 交叉注意模块在整个特征图上平均分配注意力。而在收敛状态下, 其注意力只关注特定的空间位置, 变得极为稀疏。这种显著的注意力变化需要很长的周期进行学习。另外在解码器中采用交叉注意力进行特征聚合时, 巨大的键和值的数量稀释了注意力权重, 最终导致输入特征的梯度模糊。

注意力机制的本质就是定位到感兴趣的信息^[12], 抑制无用信息。而上述的2个问题可以总结归纳为检测器无法快速将注意力集中在关键点信息上。而对于该问题, 一种直接快速的解决方法是采用动态调制策略, 受到SMCA-DETR的启发, 本文设计了一种与热图初始化目标查询相适应的空间调制交叉注意力。在DETR所采用的Transformer中, 来自骨干网络的特征图与位置嵌入相叠加, 生成查询、键以及值, 并输入编码器与所有空间位置的特征进行信息交互。同时为增加特征的多样性, 采用多头自注意力机制

(8)

获得来自编码器视觉特征E后, DETR在对象查询O^q∈R^T×D和视觉特征E∈R^L×D之间执行交叉注意力计算

(9)

DETR中原始的交叉注意力无法感知目标的空间位置, 因此需要多次迭代才能为每个对象查询生成适当的注意图。针对这一问题, SMCA-DETR^[13]将可学习的交叉注意力特征图与手工创建的查询先验空间相结合。通过对仅嵌入位置编码的空初始化查询向量进行学习, 生成先验的感知位置, 并通过堆叠的编码器进行位置细化。在本文算法中, 由于热图初始化目标查询机制的存在, 初始的目标查询已经位于或靠近真实的目标中心, 因而无需从查询中学习先验的感知位置。其计算过程描述如下。

每个查询生成其负责对象的中心和尺寸, 用于生成二维高斯空间注意力权重图^[14]。目标查询的中心c^h, c^w由热图初始化得到的位置坐标i计算得到, 高斯分布尺寸Σ∈R^2×2则通过学习目标查询得到。目标查询的中心点仅需在第一个解码器中进行计算, 并与之后的解码器共享。

(10)

三维空间场景下, 不同类别的物体尺寸差别极大, 并且在具备角度信息的情况下更为复杂。SMCA模块动态生成不同的权重半径, 使得较大的目标能够聚合足够信息或抑制小目标的背景杂波。同时该模块生成反对角线非零的权重尺寸, 使得权重图并非单一地沿横纵方向延展, 更利于细化目标朝向。在获取到目标中心以及分布尺寸后, SMCA生成的类高斯权重图如(11)式所示。其中v∈R²是特征图上任意一点, c=[c^h, c^w]是中心点坐标, β为手动调整的超参数, 以确保权重图在训练开始时覆盖较大的空间范围, 使网络能接收到更多的梯度信息。

(11)

在得到动态生成的空间权重图G的情况下, 利用其调制目标查询O^q和编码器输出特征E之间的交叉注意权重。

(12)

空间权重图的对数与点积获得的注意力得分之间逐元素相加, 然后对所有空间位置进行softmax归一化。解码器中的交叉注意模块会在潜在的目标中心附近增加权重, 限制了注意力搜索空间, 从而提高了收敛速度。

在多头注意力下, SMCA模块会为每个注意力头预测一个共享中心的偏移量[Δc_i^h, Δc_i^w]和高斯分布尺寸Σ_i。每个注意力头的类高斯权重图将由特定的中心[c^h+Δc_i^h, c^w+Δc_i^w]和尺寸进行生成。其注意力调制过程如(13)式所示。

(13)

区别于由所有注意力头共享的空间权重, 多头调制的权重能有效突出不同的特征信息。

2.4 预测头及优化目标

对于解码器输出的T个查询向量, 分别输入到多个并列的预测头中, 生成检测结果。包括底部中心点坐标o∈R^2×T, 底部中心点高度h∈R^1×T, 检测框三维尺寸d∈R^3×T, 检测框角度r∈R^2×T以及分类结果T∈R^C×T, 其中检测框角度由该角的正弦和余弦值编码而成。

遵循DETR中集合预测的检测算法, 首先由各个查询生成的底部中心点、三维尺寸和角度生成预测框, 并赋予对应的类别。通过匈牙利算法计算真实框与预测的二分匹配, 其中匹配成本由分类损失、中心点回归损失和IoU损失的加权和构成

(14)

式中: L_cls是二分类交叉熵损失；L_reg是预测框的鸟瞰投影中心点与真实框中心之间归一化后的的L1损失；L_IoU是预测框和真实框之间的IoU_3D损失, λ₁, λ₂, λ₃是各损失项的加权系数。

对于所有的预测结果, 分类损失采用的Focal Loss^[15], 如(15)式所示, 其中 是经过softmax归一化后的分类预测结果, α_c, γ是超参数。

(15)

对于匹配成功的正样本对, 通过L1损失来监督检测框中心点的回归, 并计算IoU_3D损失^[16]。2个3D检测框的IoU可以表示为(16)式

(16)

式中：a表示检测框在鸟瞰图上的投影；h是检测框高度；overlap是交集区域。相比于图像检测中轴对齐的预测框回归任务, 带有旋转角度的3D检测框最主要的区别是在计算交集部分时较为复杂。其损失计算与IoU_2D类似, 可以被定义为

(17)

3 实验评估

本文主要采用KITTI 3D Object数据集进行有效性验证。将官方给出的训练样本集划分为3 712个训练样本和3 769个验证样本。实验中所有模型分别在训练集和验证集上进行训练和分析比较。

3.1 与相关工作的对比

在KITTI^[17]验证集中，将本文算法与其他算法进行对比, 并计算了在汽车类别中3种难度下的平均检测精度, 平均精度的计算方式采用Recall 11 Position。比较结果如表 1所示。

由表中结果可见本文所提出的检测算法在性能上已经达到先进水平, 特别是在中等难度下取得了81.12%的平均精度。上述结果可以证明, 将Transformer用于体素化的点云检测是完全可行的。此外, 本算法在推理过程中速度为16.9 frame/s, 达到了较快的处理速度。而与本算法性能相近的PV-RCNN推理速度仅为8.9 frame/s, 这主要归功于本算法中完全基于体素的特征提取, 避免了体素和原始点云进行交互时产生的巨大计算开销。

3.2 消融实验

本节对基于Transformer的3D目标检测器头部网络中的主要组成部分进行了消融实验, 以验证每个部分对检测效果的贡献。消融实验的结果如表 2所示。

1) 方法C是浅层解码器堆叠下的完整的基于Transformer的3D目标检测算法, 通过空间调制交叉注意力加速训练过程, 并通过关键点热图对目标查询进行初始化, 以达到降低网络深度、提高推理速度的目的。

2) 方法A相比于方法C删除了用于加速训练的空间调制交叉注意力模块, 2种方法的收敛曲线对比如图 4所示。在训练次数同为80轮时, 方法C的检测精度已经趋于平缓, 基本收敛完毕。相比之下, 未加入空间调制交叉注意力模块的方法A, 此时的检测精度为75.9%, 且波动幅度相对较大。训练过程截止到150轮时, 方法A基本完成收敛, 此时2个模型的精度差别可以认为是随机性误差。

3) 方法B相比于方法C删除了热图初始化目标查询模块, 此时解码器的目标查询采用零初始化方法。其检测精度相比于方法C下降了7.98%, 说明仅依靠3层解码器不足以将初始查询拟合至目标真实位置。采用热图初始化目标查询策略使得初始的查询点靠近潜在的目标位置, 在浅层网络下取得了远超无此策略模型的性能。

4) 方法D相比于方法C将解码器层数提升至6层, 其余模块未做变动, 检测精度达到了81.50%, 推理速度为12.7 frame/s。相比之下, 计算成本的增加远远超过检测精度的提升, 这也进一步证明了热图初始化查询策略的有效性。

3.3 可视化结果

图 5是本文算法在验证集上的检测结果可视化演示。其中蓝色为目标真实框, 黄色为本算法产生的预测框。图中的4个场景均包含有较多的车辆, 第一个场景中由于最远处车辆距离较远且仅在车体尾部生成激光雷达点云, 致使检测器对该目标尺寸产生误判。其余3个场景中车辆数量众多、停放角度复杂, 而基于Transformer的3D目标检测算法依然能精确地定位并识别场景中的车辆。

4 结论

本文提出了一种基于Transformer的3D目标检测算法。在推理过程中首先使用三维体素编码网络进行初步特征提取, 而后压缩为鸟瞰图并采用二位骨干网络输出多尺度特征图, 这些特征图在颈部网络中进行融合。在头部网络中, 本算法采用了DETR中集合预测的检测思想, 并采用热图初始化目标策略使得模型在浅层网络下依然能从特征图中有效汇集数据用于拟合回归。同时设计了一种改进的空间调制交叉注意模块用于训练过程中的加速。本算法在KITTI验证集中进行了对比和消融实验, 结果均表明基于Transformer的3D目标检测算法作为一种简单而有效的算法, 能够胜任三维目标检测及其他下游任务的应用。