原文链接：https://arxiv.org/abs/2308.03755

1. 引言

完全稀疏检测器在基于激光雷达的3D目标检测中有较高的效率和有效性，特别是对于长距离场景而言。

但是，由于点云的稀疏性，完全稀疏检测器面临的一大困难是中心特征丢失（CFM），即因为点云往往分布在物体表面，物体的中心特征通常会缺失。FSD引入实例级表达，通过聚类获取实例，并提取实例级特征进行边界框预测，以避免使用物体中心特征。但由于实例级表达有较强的归纳偏好，其泛化性不足。例如，聚类时需要对各类预定义阈值，且难以找到最优值；在拥挤的场景中可能使得多个实例被识别为一个实体，导致漏检。

本文提出FSDv2，丢弃了FSD中的实例级表达，以追求更高的泛化性。本文引入虚拟体素以替代FSD中的实例，这些虚拟体素通过体素化投票中心得到。为减轻投票质量低带来的影响，虚拟体素被输入轻量级的稀疏虚拟体素混合器（VVM）增强特征，聚合属于同一物体不同虚拟体素的特征，得到覆盖整个实例的特征。VVM模拟了FSD中的实例级特征提取，但不显式地生成实例，以避免产生手工的归纳偏好。由于虚拟体素位于物体中心附近，可将虚拟体素作为“锚点”，从中预测边界框；这可减轻正负样本的不平衡性。

2. 相关工作

2.1 密集检测器

密集检测器（如VoxelNet和PointPillars）将点云转化为密集的3D体素或2D BEV，并使用密集的3D卷积或2D卷积处理。

2.2 半密集检测器

半密集检测器（如SECOND和CenterPoint）将点云转化为稀疏3D体素，使用稀疏3D卷积处理后得到2D密集BEV特征，输入检测头进行检测。其余方法使用Transformer结构增强稀疏主干。

2.3 完全稀疏检测器

完全稀疏检测器（如PointRCNN和VoteNet）基于点云进行检测，无需将点云转化为体素。FSD避免了点云处理中耗时的操作。

3. 准备知识

3.1 FSDv1的整体设计

FSDv1主要包含3部分：（1）点特征提取：使用稀疏体素特征提取器提取体素特征，然后使用基于MLP的颈部网络将体素特征转化为点特征。最后使用轻量级的逐点MLP进行逐点分类和中心投票。（2）聚类：将连接组件标签（CCL）应用在投票的中心，以将点聚类为实例。（3）实例特征提取和边界框预测：详见下文。

3.2 稀疏实例识别

FSDv1实例特征提取的核心是稀疏实例识别（SIR）。

首先，初始的实例点特征输入MLP，并通过最大池化得到实例特征，与实例各点的特征拼接，输入到另一MLP压缩通道维度。迭代执行上述步骤后，将最大池化的结果用于边界框预测。该方法类似一系列PointNet层。

4. 方法

4.1 总体结构

如下图所示，首先使用稀疏体素特征提取器作为主干，并使用MLP用于逐点分类和中心投票（与FSDv1相同）。FSDv2使用虚拟体素化替代聚类，并使用虚拟体素混合器混合不同虚拟体素的特征，用于预测边界框。

4.2 虚拟体素化

4.2.1 虚拟体素

使用投票中心创建虚拟体素。具体来说，对于每个前景点，预测偏移量得到投票中心。然后将各投票中心与原始点云的并集体素化。虚拟体素即至少包含一个投票中心的体素，而仅含真实点的体素则称为真实体素。

虽然投票中心可能有很多，但虚拟体素一般较少，因为投票中心往往彼此接近，且体素大小会设置得比通常更大（主干已经捕捉了细粒度特征，此处无需高分辨率）。

4.2.2 虚拟体素特征编码

引入虚拟体素编码器，类似FSDv1中的SIR结构，区别在于FSDv1提取实例特征而本文提取体素特征。首先为投票中心生成特征，此处将生成投票中心的点的（经过主干编码后的）特征作为投票中心特征，并将预测偏移量作为额外特征以与真实点区分。对于真实点则设置虚拟偏移量0。然后使用SIR结构聚合虚拟体素内真实点和虚拟点的特征。

4.3 虚拟体素混合器

虚拟体素混合器（VVM）用于混合虚拟体素特征、真实体素特征和主干输出的多尺度特征。

4.3.1 混合虚拟体素特征的动机

当中心投票效果不佳时，一个物体的中心附近可能会有多个虚拟体素，但这些体素没有交互。

4.3.2 混合虚拟体素与真实体素的动机

由于虚拟体素来自预测的前景点，当预测不准时会有前景信息损失。

4.3.3 混合多尺度特征

多尺度特征包含主干输出的多尺度真实体素特征和4.1节中得到的虚拟/真实体素特征。由于特征是稀疏而不规则的，多尺度特征融合不能像图像一样进行通道维度的拼接。

设（相对于虚拟体素特征的）步长$s$下的稀疏特征为$F_s\in {\mathbb{R}}^{N_s\times C_s}$，其中$N_s$为体素数，$C_s$为通道数。体素的坐标为$I_s\in {\mathbb{R}}^{N_s\times 3}$，转化到$\tilde{s}$步长下的坐标为$I_s^{\tilde{s}}$。虚拟体素化得到的特征为$F_1$。首先将$I_s$转化为$I_s^1$：
$$I_s^1=I_s\times s+\lfloor s/2\rfloor$$
按下式得到聚合的稀疏特征和体素坐标：
$$\begin{gathered} F_{agg}=\text{Concat}(\text{Linear}(F_1),\text{Linear}(F_2),\cdots ,\text{Linear}(F_L)) \\ {I}_{agg}=\text{Concat}(I_1,I_2^1,\cdots ,I_L^1) \end{gathered}$$
其中线性层用于将特征转换为相同的通道数。

注意$I_{agg}$可能包含重复元素，因为不同尺寸的体素可能有相同的坐标。本文使用动态池化操作DP来去除重复坐标，将重复坐标对应的特征求取均值，得到单一特征。

4.3.4 VVM的模型结构

使用SparseUNet处理上述聚合结果。

4.4 讨论：聚类v.s.虚拟体素

当中心投票一致时，所有投票中心位于同一虚拟体素内，假设聚类是完美的，则本文的虚拟体素化方法与FSDv1的实例表达类似。

但当中心投票不一致时，会导致多个虚拟体素，每个体素编码了物体的部分形状。虚拟体素混合器使得虚拟体素之间可以交互，以编码完整几何信息。此时也与FSDv1的实例表达类似。

总的来说，本文的方法可以避免SIR中的手工参数设计，使得模型更简单通用。

4.5 虚拟体素分配

4.5.1 潜在的设计选择

传统的分配方法对于虚拟体素而言是次优的。因为：

• 虚拟体素不总是填充物体中心，特别是对于远处或大型物体。因此，基于中心的分配方法是不可行的。
• 基于锚框的方法需要逐类的超参数（如锚框大小），这和本文提高泛化性的设计思路冲突。
• 最近体素分配方法（将离中心最近的体素分配给对应的物体）会导致模糊性且阻碍优化。因为多个虚拟体素可能位于同一物体中心附近，但只有一个能作为匹配结果。

4.5.2 本文的方法：边界框内体素分配

本文将边界框内的所有虚拟体素作为正样本。

• 由于虚拟体素数远少于真实体素数，不会导致不同物体的正样本数不平衡。且能提高点很少的物体的召回率。
• 由于虚拟体素分布于物体中心附近，考虑所有虚拟体素不会导致回归目标有较大方差。
• 由于真实的边界框标注不会重叠，且点云的稀疏性保证边界框内不包含背景噪声，使得这种分配方法可靠。这解释了为什么基于图像的2D检测需要更加复杂的策略。

4.5.3 虚拟体素位置定义

直接的方法是将体素的几何中心作为虚拟体素的位置，但会导致不精确性和模糊性，因为体素的大小可能会超过一些小物体的大小。

本文考虑体素内点的分布，将体素的位置定义为所含点的加权中心：
$$\bar{x}=\frac{{\sum }_{i=0}^{N-1}I(x_i)x_i}{{\sum }_{i=0}^{N-1}I(x_i)}$$
其中
$$I(x)=\{\begin{array}{cc}1,& 若x\in \mathbb{F}\\ \alpha ,& 若x\notin \mathbb{F}\end{array}$$
其中$\mathbb{F}$为前景点（包含原始点和投票中心）集合，$\alpha \in [0,1]$。

4.6 虚拟体素头

VVM输出的虚拟体素特征会输入一组MLP预测最终边界框。本文类似CenterPoint进行类别分组。分类分支使用Focal损失，回归分支使用L1损失，回归对象包含虚拟体素几何中心到物体边界框质心的偏移量、尺寸的对数以及朝向角的正余弦。

5. 实验

5.3 主要结果

在WOD数据集和Argoverse数据集上，本文的方法能达到SotA；在nuScenes数据集上，本文的方法能与SotA性能相当。

5.4 聚类v.s.虚拟体素

5.4.1 统计数据

• 对于大型物体，通常对应多个虚拟体素，且虚拟体素的数量大于聚类簇的数量，这表明VVM的必要性。
• 对小型物体，虚拟体素和簇的数量都很少，此时二者功能相当。
• 大型车辆的真实体素比簇和虚拟体素的数量多很多，这表明使用真实体素进行预测会导致不同大小物体的不平衡，而使用较少的虚拟体素预测能减轻这一问题。

5.4.2 拥挤场景的性能

若一个物体和与其最近的同类物体的距离小于2m，则定义该物体处于拥挤场景。性能分解表明，相比于FSDv1，FSDv2在拥挤场景物体上的性能提升比常规场景更大。

5.4.3 消除归纳偏好的有效性

实验表明，FSDv1随训练轮数的增加，性能逐渐饱和；而FSDv2的性能持续上升。

5.5 主要消融研究

5.5.1 基准方案设置

• 不生成投票中心，但保留投票损失作为额外监督。
• 仅对真实点使用体素化和体素编码，没有虚拟体素。
• 真实体素不通过混合器，直接输入检测头预测结果。
• 由于虚拟体素分配策略对小物体检测有重要影响，保留之。
  实验表明，逐步增加本文提出的模块能在各数据集上一致提高性能。且混合器和虚拟体素对相对大型的物体有性能提升。

5.6 每个组件的性能分析

5.6.1 虚拟体素的有效性

为理解虚拟体素机制的作用，本文设计退化策略，即为预测的中心投票偏移量乘上一个缩放因数$s\in [0,1]$，当$s=1$时为FSDv2的正常情况；$s=0$时虚拟体素完全退化。实验表明：

• 大型物体在大缩放因数下的性能较好。因为大型物体的中心包含空体素的可能性更高。
• 缩放因数对小型物体的影响很小。因为此时的偏移量很小，不同缩放因数下的虚拟体素位置接近。
• 对于barrier类别，大缩放因数能极大地提升性能。这是因为通常它们相邻放置，小缩放因数会导致从两个相邻实例的边界预测，导致模糊性。

5.6.2 虚拟体素编码器（VVE）的作用

将投票中心的特征置零后进行编码（这样，虚拟体素的特征仅来自真实点）。实验表明，上述改动会导致性能下降，且VVE对小物体的性能提升更明显。

5.6.3 虚拟体素混合器的输入

考虑三种组合：（1）仅输入虚拟体素；（2）输入虚拟体素和真实体素；（3）输入虚拟体素和多尺度体素。实验表明引入真实体素能极大提高性能，多尺度体素能在多数类别上进一步提高性能。

5.6.4 虚拟体素分配的作用

实验表明：

• 略微增大小物体的GT框能帮助分配更多标签，但过分增大会因为噪声或边界框重叠而降低性能。
• 使用虚拟体素质心比几何中心对小物体更有利，进一步使用加权质心能进一步提高性能。
  使用最近虚拟体素分配方法会导致性能严重下降，但增加分配的虚拟体素数量能减小性能下降。考虑最近的10个虚拟体素时性能达到饱和。

5.6.5 虚拟体素大小

实验表明，性能对虚拟体素的大小不敏感，且更大的体素能有略高的性能，这是因为此时大型物体的虚拟体素更少，不同大小物体的样本不平衡性被减轻。

5.7 运行时间评估

实验表明，FSDv2比FSDv1有更高的性能和效率。其中FSDv2的虚拟体素化与体素编码比FSDv1的聚类有更快的速度，但混合器考虑了真实体素，比FSDv1的SIR更慢。