[人工智能]CenterFusion 项目网络架构详细论述

一、CenterFusion 概述

• 这个项目，重点研究毫米波雷达和相机传感器融合的方法
• 利用毫米波雷达传感器数据和相机传感器数据进行 3D 目标检测
• 并在 NuScenes🔍 数据集上面进行评估

CenterFusion 网络架构：

• CenterFusion 网络架构首先利用全卷积骨干网提取目标物体中心点的图像特征，再回归到物体的其它属性，如三维位置、方向和尺寸，并获得初步的 3D Box
• 截锥关联模块将雷达检测结果与对应目标中心点关联（雷达检测结果映射到图像平面）并生成雷达特征
• 然后将图像和雷达特征连接起来， 再二次回归到目标属性，如深度、旋转以及速度等三维属性来细化初步的 3D Box

该网络架构主要可以分为两个部分分析，一个是上面一行的图像目标检测，另一个是下面一行的雷达点云数据处理。

二、图像目标检测

• CenterNet 中主要提供了三个骨干网络 ResNet-18 (ResNet-101)、DLA-34🔍、Hourglass-104🔍
• CenterFusion 网络架构在对图像进行初步检测时，采用 CenterNet 网络中修改版本的骨干网络 DLA（深层聚合）作为全卷积骨干网，来提取图像特征，因为 DLA 网络大大减少了培训时间，同时提供了合理的性能
• 再回归图像特征来预测图像上的目标中心点，以及目标的 2D 大小（宽度和高度）、中心偏移量、3D 尺寸、深度和旋转
• 主要回归头的组成：256 个通道的 3×3 卷积层、1×1卷积层。这为场景中每个被检测到的对象提供了一个精确的 2D 边界框以及一个初步的 3D 边界框

CenterNet 原理：

• 第 1 步：以图像 $I\in R^{W\times H\times 3}$ 作为输入，生成预测关键点热图 $\hat{Y}\in [0,1{]}^{\frac{W}{R}\times \frac{H}{R}\times C}$，其中 $W$ 和 $H$ 是图像的宽度和高度，$R$ 是下采样比，$C$ 是物体类别的数量
  意思是将一张 $W\times H$ 的图片作为输入，然后通过下采样（池化）生成 $\frac{W}{R}\times \frac{H}{R}$ 的关键点热图，图中的每一个像素的热值在 $[0,1]$ 之间
• 第 2 步：再以 $\hat{Y}=1$ 作为输出的预测
  意思是检测到一个以图像 $(x,y)$ 为中心的 $c$ 类目标
  对于每个中心点，还预测了一个局部偏移量，以补偿由骨干网输出步数引起的离散误差
• 第 3 步：使用高斯核从地面真值 2D 边界框生成地面真值热图 $Y\in [0,1{]}^{\frac{W}{R}\times \frac{H}{R}\times C}$
  这是为了与模型预测的结果进行比较，从而计算 loss 值（损失）
• 第 4 步：对于图像中 $c$ 类的每个边界框中心点 $p^i\in R^2$，在 $Y_{:,:,c}$ 上生成一个高斯热图：$$Y_{qc}=\underset{i}{\max }\exp (?\frac{(p_i?q{)}^2}{2{\sigma }_i^2})$$
  其中 ${\sigma }_i$ 是一个尺寸自适应标准差，根据每个对象的尺寸控制热图的大小，采用全卷积码-解码器网络对 $\hat{Y}$ 进行预测
• 第 5 步：使用单独的网络头直接从检测到的中心点回归对象的深度、尺寸和方向，来生成 3D Box
  在回归模块中
  深度被作为额外的输出通道 $\hat{D}\in [0,1{]}^{\frac{W}{R}\times \frac{H}{R}}$ ，因为使用了 sigmoidal 逆变换，并将其应用到了原始深度域
  方向被编码为两个容器，每个容器中有 4 个标量

给定带注释的对象 $p0,p1,...$ 在一幅图像中，训练分类损失，即 focal loss 定义如下：
$$L_k=\frac{1}{N}\sum _{xyc}\{\begin{array}{ll}(1?{\hat{Y}}_{xyc}{)}^{\alpha }\log ({\hat{Y}}_{xyc})& Y_{xyc}=1\\ (1?Y_{xyc}{)}^{\beta }({\hat{Y}}_{xyc}{)}^{\alpha }\log (1?{\hat{Y}}_{xyc})& otherwise\end{array}$$
其中 $N$ 为对象数量，$Y\in [0,1{]}^{\frac{W}{R}\times \frac{H}{R}\times C}$ 为标注对象的地面真值热图，$\alpha$ 和 $\beta$ 为焦损超参数

三、雷达点云处理

• 首先，需要搞清楚雷达点云检测的是径向深度和目标实际速度的不同，如图：
  
  对于目标 A，车辆坐标系内速度与径向速度相同 $(v^A)$，另一方面，对于目标 B，雷达报告的径向速度 $(v_r)$ 与目标在车辆坐标系中的实际速度 $(v^B)$ 存在差异

支柱扩张：

• 在截锥关联之前，有一个支柱扩张模块，对雷达点云进行预处理：将每个雷达点云扩展成一个固定尺寸的柱状，如下图所示：
  
• 这是为了解决每个雷达点云在截锥关联中高度信息不准确的问题

截锥关联

• 第 1 步：利用图像平面中对象的 2D 边界框及其估计深度和大小，为对象创建一个 3D 感兴趣区域（RoI）截锥，如下图所示：
  
  有了截锥对象，缩小了需要检查关联的雷达点云探测范围，因为这个截锥之外的任何点云都可以忽略
  如果该 RoI 内存在多个雷达检测点云，则取最近的点作为该目标对应的雷达检测点云
• 第 2 步：对于每一个与物体相关的雷达检测，我们生成三个以物体的二维包围框为中心并在其内部的热图通道，热图的宽度和高度与物体的 2D 边界框成比例，并由参数 $\alpha$ 控制
  其中热图值是归一化对象深度 $(d)$，也是自中心坐标系中径向速度 $(v_x)$ 和 $(v_y)$ 的 $x$ 和 $y$ 分量：
  $$F_{x,y,i}^j=\frac{1}{M_i}\{\begin{array}{ll}{f}_i& |x?c_x^j|\le \alpha w^{j}and|y?c_j^i|\le \alpha h^j\\ 0& otherwise\end{array}$$
  $i\in 1,2,3$ 是地图通道的特性，$M_i$ 是一种规格化因素，$f_i$ 是特征值 $(d,v_x或v_y)$，$c_x^j$ 和 $c_y^i$ 是 $j$ 对象的 $x$ 和 $y$ 坐标对象的中心点的图像，$w^j$ 和 $h^j$ 是 $j$ 对象的宽度和高度的 2D 边界框
• 第 3 步：两个物体的热图区域重叠，深度值较小的那个占优势，因为只有最近的物体在图像中是完全可见的，如下图所示：
  
• • 第 4 步：生成的热图然后连接到图像特征作为额外的通道，这些特征被用作二次回归头的输入，以重新计算对象的深度和旋转，以及速度和属性
    二次回归头由 3 个卷积层 (3×3 核) 和 1×1 卷积层组成，以产生所需的输出

最后一步是将回归头结果解码为 3D 边界框，3D Box 解码器块使用估计的深度、速度、旋转和二次回归头部的属性，并从主回归头部获取其他对象的属性

四、参考资料

[1] CenterFusion:Center-basedRadarandCameraFusionfor3DObjectDetection
[2] CenterFusion：雷达和摄像头融合的3D目标检测方法，代码已开源！
[3] CenterNet算法详解
[4] 论文解读CenterNet: Object as Points
[5] 【深度学习基本概念】上采样、下采样、卷积、池化

创作打卡挑战赛

赢取流量/现金/CSDN周边激励大奖