PointPillars: Fast Encoders for Object Detection from Point Clouds

PointPillars：快就对了

摘要（可跳过）：

这帮人提出了PointPillars，一种新颖的编码器，它利用PointNets来学习以垂直列组织的点云（柱体点云）的表示。PointPillars在速度和准确性方面都明显优于先前的编码器。尽管仅使用激光雷达，他们的完整检测流程在3D和鸟瞰视图的KITTI基准测试中明显优于现有技术，甚至在融合方法中也是如此。这种检测性能在每秒运行62次的情况下实现：该方法的更快版本在每秒105次的情况下达到了现有技术的水平。这些基准测试结果表明，PointPillars是适用于点云物体检测的适当编码方法。

简介（可跳过）：

在城市环境中部署自动驾驶车辆构成了一个困难的技术挑战。自动驾驶车辆依赖于多个传感器，其中激光雷达可以说是最重要的。激光雷达使用激光扫描仪来测量到环境的距离，从而生成了一个稀疏的点云表示。

1）点云是一种稀疏表示，而图像是密集的；
2）点云是3D的，而图像是2D的。

因此，从点云进行目标检测并不直接适用于标准的图像卷积流程。
在这项工作中，我们提出了PointPillars：一种用于3D目标检测的方法，只使用2D卷积层进行端到端学习。
PointPillars使用一种新编码器，学习点云的柱（垂直列）上的特征，以预测车辆的3D定向框。

优点：
1）通过学习特征而不是依赖固定的编码器，PointPillars可以利用点云所表示的全部信息。
2）通过在柱上操作而不是体素上，无需手动调整垂直方向的分割。
3）柱体非常高效，因为所有关键操作都可以表述为在GPU上计算非常高效的2D卷积。

学习特征的额外好处是PointPillars不需要手动调整以适应不同的点云配置。例如，它可以轻松地合并多个激光雷达扫描，甚至是雷达点云。

PointPillars 网络

PointPillars接受点云作为输入，并估计车辆、行人和骑自行车者的定向3D包围框。它由三个主要阶段组成

1. 特征编码网络：将点云PointCloud转换为稀疏伪图像Pillars的网络。这个阶段的任务是将点云数据编码成适合进一步处理的形式。
2. 2D卷积骨干网络：将伪图像处理成高级表示的2D卷积网络。这个阶段通过卷积操作将伪图像转化为更高层次的特征表示。
3. 检测器头部：用于检测和回归3D包围框的部分。这个阶段负责识别目标物体并估计其3D包围框的位置和方向。

这三个阶段协同工作，使PointPillars能够从点云中准确地检测和定位车辆、行人和骑自行车的人。

点云转伪图像

为了应用2D卷积，我们首先将点云转换为伪图像。我们用$I_c$表示点云中的一个点，其具有坐标x、y、z和反射率r。首先，将点云在x-y平面中均匀离散化，就是平均切分点云，于是创建了一堆柱状体$P_c$，这个切分操作需要用超参数控制，需要注意的是，在z维度上，由于不进行切分，所以不需要用来控制的超参数。

然后，将每个柱状体中的点用$x_c$、$y_c$、$z_c$、$x_p$、$y_p$进行扩充，其中下标$c$表示该点与柱状体中所有点云的虚拟中心$I_{virtual}$的平均距离，注意这个$c$意味着是个三维数据，而下标$p$表示该点与柱状体在2D平面x-y上的中心$P_{virtual}$的偏移，这个$p$意味是个二维数据。这样，扩充后的每个激光点云$I_c$就具有9个维度=($x$，$y$，$z$，$x_c$，$y_c$，$z_c$，$x_p$，$y_p$)，注：激光点云的9个维度的值都是小数。

由于点云的稀疏性，柱状体集合将主要为空，通常只有少量点位于非空的柱状体中。例如，在0.162平方米的箱子中，来自HDL-64E Velodyne激光雷达的点云在通常用于KITTI数据集的范围内有6,000-9,000个非空的柱状体，稀疏度约为97%。通过对每个样本（P）和每个柱状体（N）中非空柱状体的数量施加限制，利用了这种稀疏性，以创建尺寸为（D，P，N）的密集张量，这里的张量是经过筛选后的非空点云集合。置换不变性：点的排序不影响物体的性质

其中，D表示每个点云的维度，D=9；P表示提取到的Pillar数量，P=30000，P的选取是根据激光雷达的硬件来选的是个超参数，N表示每个Pillar存储的最大点云数量，如果一个Pillar包含的点云数量太大，那么将被随机采样。相反，如果数据太少，将应用零填充。

因此，产生的伪2D张量：(30000 x 20 x 9) =(D，P，N）

对KITTI数据集的结果进行定性分析。我们展示了激光雷达点云的鸟瞰视图（顶部），以及为了更清晰的可视化而投影到图像中的3D包围盒。请注意，我们的方法仅使用了激光雷达数据。我们展示了汽车（橙色）、骑自行车者（红色）和行人（蓝色）的预测包围盒。地面真值包围盒以灰色显示。包围盒的方向由连接底部中心和前部的线表示。

接下来，我们使用了PointNet的简化版本（$ML{P}_{simple}=Linear+BatchNorm+ReLU$ ），对于每个点使用$ML{P}_{simple}$，以生成一个尺寸为（C，P，N）的张量。也就是，伪2D张量(D，P，N），通过$ML{P}_{simple}$，转变为了可以用来分类的张量（C，P，N），这里C也是个超参数，C=64。简单来说，就是D=9所包含的维度少，很容易被后续的卷积卷没了，所以要做个维度上升：

有关PointNet的理解，点击这里

(D，P，N）->$ML{P}_{simple}$->（C，P，N）
(9 x 30000 x 20)->(64 x 30000 x 20)

然后，在N这个维度，对30000个pillar中的每个pillar中的20个激光点，进行Max pool操作，该操作来自Pointnet论文，通过对称函数用于选定的所有点，提取这个pillar中点云的surface信息，并聚合到一个特征值，范围在[0,1]。注意，Linear可以用1x1卷积代替，从而产生非常有效的计算。一旦编码完成，特征将被散回原始的柱状体位置，以创建一个尺寸为（C，H，W）的伪图像，其中H和W表示画布的高度和宽度。

主干网络

我们使用了类似于Voxelnet的骨干网络结构，其结构如图2所示。这个骨干网络包括两个子网络：

1. 一个自上而下的网络，以逐渐减小空间分辨率的方式生成特征。
2. 一个拼接网络，负责进行上采样和连接自上而下的特征。

自上而下的网络可以用一系列块卷积块Block(S, L, F)来描述，每个Block是2D卷积层构成，每个卷积层输出F个通道，然后接着BatchNorm和ReLU激活函数。

拼接网络，通过Deconv来放大分辨率，然后Concat。

检测头

在本文中，我们使用单击检测器（SSD）[18]设置来执行3D目标检测。与SSD类似，我们使用2D联合交叉（IoU）[4]将先验框与真值相匹配。边界框高度和标高未用于匹配；而不是给定2D匹配，高度和高程成为额外的回归目标。

损失

我们使用SECOND[28]中介绍的相同损失函数。真值框和锚由（ x ， y ， z ， w ， l ， h ， θ ） （x，y，z，w，l，h，θ）（x，y，z，w，l，h，θ）定义。真值和锚之间的定位回归残差定义如下：