[人工智能]（阅读笔记）PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud

一、动机和贡献

• 动机
  （1）从鸟瞰投影、Front投影和球面投影，或从RGB图像生成目标边界框建议，在量化过程中会遭受信息损失，我们直接从原始点云自下而上生成3D边界框建议；
  （2）PointNet和PointNet++的性能严重依赖于二维检测性能，不能利用三维信息的优势来生成鲁棒的边界框建议。
  （3）与二维图像中的目标检测不同，自动驾驶场景中的三维目标是自然、良好分离的，彼此之间没有重叠，而二维图像中目标之间可能存在重叠，这是3D检测和2D检测训练数据之间的关键区别。所有的三维目标分割掩码都可以通过其三维边界框标注直接获得，即将三维框内的三维点视为前景点。
• 贡献：基于动机(3)，我们将基于点的特征提取器扩展到基于三维点云的目标检测，提出了一个两阶段的三维目标检测框架PointRCNN。
  （1）第一个阶段是在自底向上的方案中生成三维边界框，逐点学习点云的逐点特征、分割原始点云，并同时从分割的前景点生成少量3D包围盒建议。该策略避免使用大量的三维锚盒，显著地限制了三维提案生成的搜索空间，节省了大量的计算量。
  （2）第二个阶段是规范三维边界框的细调。将每个三维边界框内的点进行点云区域池化操作，并将池化的点转换为规范坐标，学习局部空间特征，这个过程与第一个阶段学习每个点的全局语义特征相结合，用于目标边界框优化和置信度预测。

二、PointRCNN模型

1） 通过点云分割自下而上生成3D提案

1. 学习点云表示：为了学习区分的点特征来描述原始点云，我们利用带多尺度分组的PointNet++网络（点云编码【正卷积】、点云解码【反卷积】）作为点云特征提取backbone，得到编码的逐点特征。

【前景点提供了丰富的信息，以预测其相关的对象的位置和方向。我们设计了自底向上的3D边界框提案生成方法，直接从前景点生成3D边界框提案，即前景分割和3D box提案生成同时进行。经backbone处理后的每个点的特征，分别经过前景掩模预测分支和三维边界框回归分支完成相应任务。】

2. 前景点分割：即前景掩模预测任务，点分割的真实掩模由3D边界框提供。对于大型的室外场景，前景点的数量通常比背景点的数量要少得多，我们利用焦点损失函数来处理类别（前景点和背景点二分类）不平衡问题。
   

3. 基于bin的三维边界框生成：即三维边界框回归任务，在训练过程中，三维边界框回归分支从前景点回归三维边界框位置，尽管盒子并没有从背景点回归，但由于点云网络的接受域，背景点也提供了生成边界框的支持信息。
   三维边界框在激光雷达坐标系中表示为$(x,y,z,h,w,l,\theta )$，其中$(x,y,z)$为目标中心位置，$(h,w,l)$为目标大小，$\theta$为鸟瞰目标方向。为了约束三维提案，作者提出了基于bin的回归损失估计目标的三维边界框，即预测3D边界框的中心坐标、目标方向与目标尺寸。本文采用bin-based方法去定位bounding box的中心点；采用Frustum PointNets中的方法回归bounding box的方向与尺寸。
   ① 目标中心点回归
   我们沿着X轴和Z轴将每个前景点的周围区域分割成一系列离散的Bin锚盒，S表示每个前景点在X轴和Z轴方向上的最大搜索范围，每个方向上的搜索范围用等长的bins来表示X-Z平面上不同的目标中心(x, y)，(x, y)表示每个锚盒在X-Z平面上的中心坐标，δ表示每个方向上锚盒的长度。
   
   在X轴和Z轴上使用基于交叉熵损失的回归，可以获得更准确鲁棒的中心定位，X轴或Z轴的定位损失包括两项，第一项用于每个X轴和Z轴上的锚盒分类，第二项用于分类锚盒内的残差回归。【注意：前景点一定是锚盒中心，真实边界框的中心不一定是锚盒中心，因此在确定边界框中心点在哪一个锚盒后，还需要在锚盒内进行残差回归。】
   由于大多数目标在Y轴方向上的跨越范围很小，在Y轴上直接使用Smoth L1损失的回归。定位目标可以表述为：
   
   
   ② 目标尺寸回归
   直接进行残差回归，计算$(re{s}_h^{(p)},re{s}_w^{(p)},re{s}_l^{(p)})$。
   ③目标方向回归
   将2π方向划分为n个bin，按照x或z预测的方法计算bin的分类$bi{n}_{\theta }^{(p)}$，以及在bin中进行残差回归$re{s}_{\theta }^{(p)}$。

• 训练阶段的3D边界框回归损失：
  
• 推理阶段：前景点与真实边界框进行拟合获得bin和残差，根据bin和残差可以回归前景，获得预测边界框。
  对于基于bin的预测参数x、z、θ，我们首先选择预测置信度最高的bin中心，并添加预测残差，得到细化后的参数；
  对于直接回归的参数y、h、w和l，我们将预测残差加到它们的初始值上。
  
  在推理阶段，为了去除冗余的预测边界框，使用IoU阈值为0.8的NMS，只保留前100个边界框，输入第二阶段进行细化。

2）点云区域池化

为了了解更具体的局部特征，我们对三维边界框内的点特征执行空间区域池化。轻微扩大该边界框，即中心点和方向不变，轻微扩大长宽高。
然后对所有点做一个判断，看看他有没有在这个扩大后的bbox当中，如果有的话，那么这个点的特征也会被加入到后续的细化中。

3）规范3D边框的细调

1. 坐标规范变换
   为了更好地学习每个目标边界框的局部空间特征，我们将全局特征图分割为若干个点云目标特征图，将每个目标边界框内的集合点转换为相应三维规范坐标系。
   坐标系的x轴和z轴平行于地面，x轴是目标向前的方向，z轴与x轴平面内垂直，y轴垂直于地面；y轴与激光雷达坐标系的y轴保持一致；目标边界框的中心设置为三维坐标系的原点；通过适当的旋转和平移，将边界框的所有池化点坐标转换至规范坐标系中。
   

2. 目标边界框的空间特征学习
   虽然规范坐标变换能够实现鲁棒的局部空间特征学习，但它不可避免地丢失了每个目标的深度信息，将反应强度特征$r^{(p)}\in [0,1]$、分割掩码特征 m ( p ) ∈ { 0 , 1 } m^{(p)} \in \{0,1\} m(p)∈{0,1}、目标至雷达的距离特征$d^{(p)}=\sqrt{(x^{(p)}{)}^2+y^{(p)}{)}^2+z^{(p)}{)}^2}$与目标的局部空间特征组合送入MLP全连接层，然后与全局语义特征进行连接，送入目标分类和回归网络，得到判别特征向量，用于随后的置信度分类和边界框回归。

3. 目标边界框的损失
   若提议的三维边界框与真实边界框的三维IoU大于0.55，则将该真实边界框分配给该提议，进一步细化该提议边界框。
   
   
   注意：由于聚集的稀疏点通常不能提供足够的建议大小信息(h, w, l)，所以我们仍然直接回归大小残差，即训练集中每个类的平均目标大小。
   
   假设目标水平，提议边界框和真实边界框的夹角${\theta }_i^{gt}?{\theta }_i$在[?π/4,π/4]之间（俩直线的夹角显然在0至90度之间），搜索范围S=π/4，每个bin尺寸为w，训练目标为：
   
   
   模型损失等于分类损失和回归损失之和，B是3D边界框提议集合，Bpos是用于回归的正边界框提议（前景点），prob_i是边界框的估计置信度，label_i是对应的真实标签。
   最后采用采用阈值0.01执行NMS，去除重叠的包围盒，生成被检测目标的三维边界框。（0.01可以是极小的正数，因为三维空间中，目标不存在重叠）

参考文献

1. PointRCNN：3D Object Proposal Generation and Detection from Point Cloud，CVPR，2019
2. Pointnet++，NIPS，2017
3. Focal loss for dense object detection.，IEEE TPAMI, 2018
4. Frustum PointNets for 3D Object Detection from RGB-D Data，CVPR，2019