【论文笔记】Far3D: Expanding the Horizon for Surround-view 3D Object Detection

原文链接：https://arxiv.org/pdf/2308.09616.pdf

1. 引言

目前的环视图图像3D目标检测方法分为基于密集BEV的方法和基于稀疏查询的方法。前者需要较高的计算量，难以扩展到长距离检测。后者全局固定的查询不能适应动态场景，通常会丢失远距离目标。本文引入3D自适应查询以增强灵活性。

基于稀疏查询的长距离检测主要的挑战是召回率低。由于2D检测的召回率高，可以使用高质量的2D检测先验来改进3D提案，从而实现精确定位和全面覆盖。但直接使用来自2D提案的3D查询有两个问题：（1）深度不确定；（2）当距离增加时3D空间中的偏差增大。这会影响训练稳定性，需要去噪方法来优化。此外，训练会倾向对近距离较为密集的物体进行过拟合，而忽略稀疏分布的远距离物体。

本文使用2D提案和相应的深度，通过空间变换得到3D提案，然后用投影位置嵌入和上下文语义来组成3D自适应查询，在解码器中细化。透视图感知的聚合会用在不同尺度和视图的图像上（对远距离物体需要关注高分辨率特征，而近距离物体反之，才能获得高层特征）。此外，还提出距离调制的3D去噪技术（根据GT构建噪声查询，解码器学习从噪声提案中恢复正提案并拒绝负提案），来缓解查询误差传播和收敛慢的问题。同时，查询去噪能减轻距离分布不平衡的问题。

3. 方法

3.1 概述

图1 模型框架
给定环视图像 $I=\{I_1,\cdots.I_n\}$ ，使用主干和FPN提取多尺度图像特征 $F=\{F_1,\cdots,F_n\}$ 。使用2D检测器和深度网络获取2D提案和深度，然后筛选出其中可靠性高的并转换到3D空间，得到3D物体查询。

在3D检测器中，将3D自适应查询和3D全局查询输入到Transformer解码层中，进行查询间的自注意力和透视感知的查询-特征聚合。

3.2 自适应查询生成

给定图像特征，输入到2D检测器和轻量级深度估计网络预测2D边界框和离散深度分布，并筛选出分数大于阈值 $\tau$ 的边界框。然后根据深度和相机参数，将边界框的中心投影到3D空间，得到坐标 $c_{3d}$ 。

然后，按下式编码为3D自适应查询：
$Q_{pos}=PosEmbed(c_{3d})$ $Q_{sem}=SemEmbed(z_{2d},s_{2d})$ $Q=Q_{pos}+Q_{sem}$
其中 $z_{2d}$ 为边界框2D中心处的图像特征， $s_{2d}$ 为边界框的置信度分数。位置编码为正弦变换+MLP，语义编码为MLP。

最后，将3D自适应查询与初始化的全局查询一起输入到Transformer解码层。

3.3 透视感知的聚合

遥远的小物体需要高分辨率特征以精确定位，而近处的大物体需要高级特征。本文提出透视图感知的聚合，从而在不同的尺度和视图上进行高效的特征交互。

本文首先将图像特征 $F$ 与相机内外参 $I, K$ 组合，并使用squeeze-and-excitation块丰富特征。增强的特征 $F^{'}$ 使用3D可变形卷积。对每个查询参考点预测 $M$ 个偏移量，并投影到不同视图和尺度的2D特征图上。

最后根据2D参考点从 $F^{'}$ 中采样图像特征，并考虑相对重要性聚合到3D查询中。

3.4 距离调制的3D去噪

具体的方案类似于DN-DETR。

与2D查询不同，不同距离处的3D查询，回归难度往往不同。这一难度差异来自查询密度（近距离物体比远距离物体更容易匹配）与误差传播（2D提案的误差会传播到3D，且随距离的增加而增加）。因此，GT框附近的查询可视为噪声候选对象，而远离GT框的查询视为负样本。通过距离调制的3D去噪，模型会召回潜在的正样本，而拒绝负样本。

本文通过同时添加正负样本，基于GT物体创建噪声查询。为了促进长距离感知学习，根据物体的位置和尺寸添加随机噪声。噪声查询的位置定义如下：
$\tilde{P}=P_{GT}+\alpha f_p(S_{GT})+(1-\alpha)f_n(P_{GT})$
其中 $\alpha\in\{0,1\}$ 对应正查询和负查询的生成， $P_{GT}$ 与 $S_{GT}$ 为GT框的位置和尺寸， $f_p$ 与 $f_n$ 为正负样本编码位置感知的噪声。