作者：王利民

導(dǎo)讀

本文介紹我們在 3D 目標(biāo)檢測領(lǐng)域的新工作：SparseBEV。我們所處的 3D 世界是稀疏的，因此稀疏 3D 目標(biāo)檢測是一個(gè)重要的發(fā)展方向。然而，現(xiàn)有的稀疏3D目標(biāo)檢測模型（如 DETR3D[1]，PETR[2] 等）和稠密3D檢測模型（如 BEVFormer[3]，BEVDet[8]）在性能上尚有差距。針對這一現(xiàn)象，我們認(rèn)為應(yīng)該增強(qiáng)檢測器在 BEV 空間和 2D 空間的適應(yīng)性（adaptability）。基于此，我們提出了高性能、全稀疏的 SparseBEV 模型。在 nuScenes 驗(yàn)證集上，SparseBEV 在取得 55.8 NDS 性能的情況下仍能維持 23.5 FPS 的實(shí)時(shí)推理速度。在 nuScenes 測試集上，SparseBEV 在僅使用 V2-99 這種輕量級 backbone 的情況下就取得了 67.5 NDS 的超強(qiáng)性能。如果用上 HoP[5] 和 StreamPETR-large[6] 等方法中的 ViT-large 作為 backbone，沖上 70+ 不在話下。

引言

現(xiàn)有的 3D 目標(biāo)檢測方法可以被分類為兩種：基于稠密 BEV 特征的方法和基于稀疏 query 的方法。前者需要構(gòu)建稠密的 BEV 空間特征，雖然性能優(yōu)越，但是計(jì)算復(fù)雜度較大；基于稀疏 query 的方法避免了這一過程，結(jié)構(gòu)更簡單，速度也更快，但是性能還落后于基于 BEV 的方法。因而我們自然而然地提出疑問：基于稀疏 query 的方法是否可以實(shí)現(xiàn)和基于稠密 BEV 的方法接近甚至更好的性能？

根據(jù)我們的實(shí)驗(yàn)分析，我們認(rèn)為實(shí)現(xiàn)這一目標(biāo)的關(guān)鍵在于提升檢測器在 BEV 空間和 2D 空間的適應(yīng)性。這種適應(yīng)性是針對 query 而言的，即對于不同的 query，檢測器要能以不同的方式來編碼和解碼特征。這種能力正是之前的全稀疏 3D 檢測器 DETR3D 所欠缺的。因此，我們提出了 SparseBEV，主要做了三個(gè)改進(jìn)。首先，設(shè)計(jì)了尺度自適應(yīng)的自注意力模塊（scale-adaptive self attention, SASA）以實(shí)現(xiàn)在 BEV 空間的自適應(yīng)感受野。其次，我們設(shè)計(jì)了自適應(yīng)性的時(shí)空采樣模塊以實(shí)現(xiàn)稀疏采樣的自適應(yīng)性，并充分利用長時(shí)序的優(yōu)勢。最后，我們使用動態(tài) Mixing 來自適應(yīng)地 decode 采到的特征。

早在今年的2月9日，ICCV 投稿前夕，我們的 SparseBEV（V2-99 backbone）就已經(jīng)在 nuScenes 測試集上取得了65.6 NDS 的成績，超過了 BEVFormerV2[7] 等方法。如下圖所示，該方案命名為 SparseBEV-Beta，具體可見 eval.ai 榜單。

最近，我們采用了一些來自 StreamPETR 的最新 setting，包括將 bbox loss 的 X 和 Y 的權(quán)重調(diào)為 2.0，并使用 query denoising 來穩(wěn)定訓(xùn)練等等。現(xiàn)在，僅采用輕量級 V2-99 作為 backbone 的 SparseBEV 在測試集上就能夠?qū)崿F(xiàn) 67.5 NDS 的超強(qiáng)性能，在純視覺 3D 檢測排行榜中排名第四（前三名均使用重量級的 ViT-large 作為 backbone）：

在驗(yàn)證集的小規(guī)模的 Setting（ResNet50，704x256）下，SparseBEV 能取得 55.8 NDS 的性能，同時(shí)保持 23.5 FPS 的實(shí)時(shí)推理速度，充分發(fā)揮了 Sparse 設(shè)計(jì)帶來的優(yōu)勢。

方法

模型架構(gòu)

SparseBEV 的模型架構(gòu)如上所示，其核心模塊包括尺度自適應(yīng)自注意力、自適應(yīng)時(shí)空采樣、自適應(yīng)融合。

Query Initialization

現(xiàn)有 query-based 方法都用 reference point 作為 query。在 SparseBEV 中，Query包含的信息更豐富，包括3D坐標(biāo) 、尺寸 、旋轉(zhuǎn)角 、速度 ，以及對應(yīng)的 維特征。每個(gè) query 都被初始化為 pillar 的形狀， 為 0 且 約為 4，這是因?yàn)樽择{場景中一般不會在 Z 軸上出現(xiàn)多個(gè)物體。

Scale-adaptive Self Attention

BEV 空間的多尺度特征提取很重要。基于 Dense BEV 的方法往往通過 BEV Encoder 來顯式聚合多尺度特征（比如 BEVDet[8] 用 ResNet+FPN 組成 BEV Encoder 來提取多尺度的 BEV 特征，BEVFormer 則使用 Multi-scale Deformable Attention 來實(shí)現(xiàn) BEV 空間的多尺度），而基于稀疏 query 方法則做不到這一點(diǎn)。

我們認(rèn)為，稀疏 query 之間的 self attention 可以起到 BEV Encoder 的作用，而 DETR3D 中使用的標(biāo)準(zhǔn)的 Multi-head self attention (MHSA) 并不具備多尺度能力。因此，我們提出了尺度自適應(yīng)自注意力模塊（scale-adaptive self attention, SASA），讓模型自己去決定合適的感受野：

其中 表示兩個(gè) query 中心點(diǎn)之間的歐式距離， 表示感受野的控制系數(shù)，隨著 增大，遠(yuǎn)距離的 query 的注意力權(quán)重減小，感受野相應(yīng)縮小。當(dāng) 時(shí)，SASA 退化為標(biāo)準(zhǔn)的擁有全局感受野的自注意力模塊。這里的 是通過對每個(gè) query feature 使用一層 Linear 自適應(yīng)生成的，并且每個(gè) head 生成的 都不同：

其中 表示 query 特征維度， 表示 head 數(shù)量。

在實(shí)驗(yàn)中，我們發(fā)現(xiàn)了兩個(gè)有意思的現(xiàn)象：

每個(gè) head 生成的 值在一定范圍內(nèi)呈現(xiàn)均勻分布，且該現(xiàn)象與 的初始化無關(guān)。該現(xiàn)象說明 SASA 能夠在不同 head 里進(jìn)行不同尺度的特征聚合，與 FPN 的處理方式類似，進(jìn)而從 data-driven 的角度證明了 BEV 空間的多尺度特征聚合的必要性。此外，相比于 FPN，SASA的感受野更加靈活，可以根據(jù)數(shù)據(jù)自由學(xué)習(xí)。

不同類別的物體所對應(yīng)的 query 生成的 值有著明顯差異。我們發(fā)現(xiàn)，大物體（例如公交車）對應(yīng) query 的感受野明顯大于小物體對應(yīng) query（例如行人）的感受野。(如下圖所示。注意： 越大，感受野越小)

相比于標(biāo)準(zhǔn)的 MHSA，SASA 幾乎沒有引入額外開銷，簡單又有效。在消融實(shí)驗(yàn)中，使用 SASA 替換 MHSA 能直接暴漲 4.0 mAP 和 2.2 NDS：

Adaptive Spatio-temporal Sampling

對于每個(gè) query，我們對 query feature 使用一層 Linear 生成一系列 3D Offset：。接著，我們將這些 offset 相對于 query pillar 進(jìn)行坐標(biāo)變換以得到 3D 采樣點(diǎn)。采樣點(diǎn)生成過程如下：

這樣，我們生成的采樣點(diǎn)可以適應(yīng)于給定的 query，從而能夠更好地處理不同尺寸、遠(yuǎn)近的物體。同時(shí)，這些采樣點(diǎn)并不局限于給定的 query bbox 內(nèi)部，它們甚至可以撒到框外面去，這由模型自己決定。

接著，為了進(jìn)一步捕捉長時(shí)序的信息，我們將采樣點(diǎn) warp 到不同時(shí)刻的坐標(biāo)系中，以此實(shí)現(xiàn)幀間對齊。在自動駕駛場景中，有兩種類型的運(yùn)動：一是車自身的運(yùn)動（ego motion），二是其他物體的運(yùn)動（object motion）。對于 ego motion，我們使用數(shù)據(jù)集提供的 ego pose 來實(shí)現(xiàn)對齊；對于 object motion，我們利用 query 中定義的瞬時(shí)速度向量，并配合一個(gè)簡單的勻速運(yùn)動模型來對運(yùn)動物體進(jìn)行自適應(yīng)的對齊。這兩種對齊操作都能漲點(diǎn)：

隨后我們將 3D 采樣點(diǎn)投影到 2D 圖像并通過雙線性插值獲取對應(yīng)位置的 2D 特征。這里有一個(gè)工程上的小細(xì)節(jié)：由于是六張圖的環(huán)視輸入，DETR3D 是將每個(gè)采樣點(diǎn)分別投影到六個(gè)視圖中，并對正確的投影點(diǎn)抽到的特征取平均。我們發(fā)現(xiàn)，大多數(shù)情況下就只有一個(gè)投影點(diǎn)是正確的，偶爾會有兩個(gè)（即采樣點(diǎn)位于相鄰視圖的重疊區(qū)域）。于是，我們干脆只取其中一個(gè)投影點(diǎn)（即使有時(shí)會有兩個(gè)），把它對應(yīng)的視圖 ID 作為一個(gè)新的坐標(biāo)軸，從而可以通過 Pytorch 內(nèi)置的 grid sample 算子的 3D 版一步到位。這樣可以顯著提速，并且不咋掉點(diǎn)（印象里只掉了 0.1~0.2 NDS）。具體可以看代碼：https://github.com/MCG-NJU/SparseBEV/blob/main/models/sparsebev_sampling.py

對于稀疏采樣這塊，我們后來也基于 Deformable DETR 寫了一個(gè) CUDA 優(yōu)化。不過，純 PyTorch 實(shí)現(xiàn)其實(shí)也挺快的，CUDA 優(yōu)化進(jìn)一步提速了 15% 左右。

我們還提供了采樣點(diǎn)的可視化（第一行是當(dāng)前幀，二三兩行是歷史前兩幀），可以看到，SparseBEV 的采樣點(diǎn)精準(zhǔn)捕捉到了場景中不同尺度的物體（即在空間上具備適應(yīng)性），且對于不同運(yùn)動速度的物體也能很好的對齊（即在時(shí)間上具備適應(yīng)性）。

接著，我們對采到的特征的 channel 和 point 兩個(gè)維度分別進(jìn)行 Mixing[9]。假設(shè)共計(jì) 幀，每幀 個(gè)采樣點(diǎn)，我們首先將其堆疊為 個(gè)采樣點(diǎn)。因此 SparseBEV 屬于堆疊時(shí)序方案，可以很容易地融合未來幀的信息。

接著，我們對這些采樣點(diǎn)得到的特征進(jìn)行 channel mixing，其中 mixing 的權(quán)重是根據(jù) query feature 動態(tài)生成的：隨后對 point 維度進(jìn)行同樣的 mixing 操作：其中 和 分別表示 channel mixing 和 point mixing 中的動態(tài)權(quán)重，前者在所有幀和采樣點(diǎn)之間共享，后者在所有特征通道之間共享。

Dual-branch SparseBEV

在實(shí)驗(yàn)中，我們發(fā)現(xiàn)將輸入的多幀圖像分為 Fast、Slow 兩個(gè)分支處理可以進(jìn)一步提升性能[10]。具體地，我們將輸入分為高分辨率、低幀率的 Slow 分支和低分辨率、高幀率的 Fast 分支。于是，Slow 分支專注于提取高分辨率的靜態(tài)細(xì)節(jié)，而 Fast 分支則專注于捕獲運(yùn)動信息。加入 Dual-branch 的 SparseBEV 結(jié)構(gòu)圖如下所示：

Dual-branch 設(shè)計(jì)不光減小了訓(xùn)練開支，還顯著提升了性能，具體可見補(bǔ)充材料。它的漲點(diǎn)說明了自駕長時(shí)序中的靜態(tài)細(xì)節(jié)和運(yùn)動信息應(yīng)該解耦處理。但是，它把整個(gè)模型搞得太復(fù)雜，因此我們默認(rèn)情況下并沒有使用它（本文中只有測試集 NDS=63.6 的那行結(jié)果用了它）。

實(shí)驗(yàn)結(jié)果

上表為 SparseBEV 與現(xiàn)有方法在 nuScenes 的驗(yàn)證集上的結(jié)果對比，其中 表示方法使用了透視預(yù)訓(xùn)練。在使用 ResNet-50 作為 backbone 和 900 個(gè) query，且輸入圖像分辨率為 704x256 的情況下，SparseBEV 超越現(xiàn)有最優(yōu)方法 SOLOFusion[4] 0.5 mAP 和 1.1 NDS。在使用 nuImages 預(yù)訓(xùn)練并將 query 數(shù)量降低到 400 后，SparseBEV 在達(dá)到 55.8 的 NDS 的情況下仍能維持 23.5 FPS 的推理速度。而將 backbone 升級為 ResNet-101 并將輸入圖像尺寸升為 1408x512 后，SparseBEV 超越 SOLOFusion 達(dá) 1.8 mAP 和 1.0 NDS。

nuScenes test split

上表為 SparseBEV 與現(xiàn)有方法在測試集上的結(jié)果對比，其中 表示方法使用了未來幀。在不使用未來幀的情況下，SparseBEV 取得了 62.7 NDS 和 54.3 mAP；其 Dual-branch 版本進(jìn)一步提升到了 63.6 NDS 和 55.6 mAP。在加入未來幀后，SparseBEV 超越 BEVFormer V2 高達(dá) 2.8 mAP 和 2.2 NDS，而我們使用的 V2-99 僅約 70M 參數(shù)，參數(shù)量遠(yuǎn)低于 BEVFormer V2 使用的 InternImage-XL（超過 300M 參數(shù)）。

局限性

SparseBEV 的弱點(diǎn)還不少：

SparseBEV 非常依賴 ego pose 來實(shí)現(xiàn)幀間對齊。在論文的 Table 5 中，如果不使用 ego-based warping，NDS 能掉 10 個(gè)點(diǎn)左右，幾乎和沒加時(shí)序一樣。

SparseBEV 中使用的時(shí)序建模屬于堆疊時(shí)序，它的耗時(shí)和輸入幀數(shù)成正比。當(dāng)輸入幀數(shù)太多的時(shí)候（比如 16 幀），會拖慢推理速度。

目前 SparseBEV 采用的訓(xùn)練方式還是傳統(tǒng)方案。對于一次訓(xùn)練迭代，DataLoader 會將所有幀全部 load 進(jìn)來。這對于機(jī)器的 CPU 能力有較高的要求，因此我們使用了諸如 TurboJPEG 和 Pillow-SIMD 庫來加速 loading 過程。接著，所有的幀全部會經(jīng)過 backbone，對 GPU 顯存也有一定要求。對于 ResNet50 和 8 幀 704x256 的輸入來說，2080Ti-11G 還可以塞下；但如果把分辨率、未來幀等等都拉滿，就只有 A100-80G 可以跑了。我們開源的代碼中使用的 Training 配置均為能跑的最低配置。目前有兩種解決方案：

將部分視頻幀的梯度截?cái)唷Ｎ覀冮_源的 config 中有個(gè) stop_prev_grad 選項(xiàng)，它會將所有之前幀都以 no_grad 模式推理，只有當(dāng)前幀會有梯度回傳。

另一種解決方案是采用 SOLOFusion、StreamPETR 等方法中使用的 sequence 訓(xùn)練方案，省顯存省時(shí)間，我們未來可能會嘗試。

結(jié)論

本文中，我們提出了一種全稀疏的單階段 3D 目標(biāo)檢測器 SparseBEV。SparseBEV 通過尺度自適應(yīng)自注意力、自適應(yīng)時(shí)空采樣、自適應(yīng)融合三個(gè)核心模塊提升了基于稀疏 query 模型的自適應(yīng)性，取得了和基于稠密 BEV 的方法接近甚至更優(yōu)的性能。此外我們還提出了一種 Dual-branch 的結(jié)構(gòu)進(jìn)行更加高效的長時(shí)序處理。SparseBEV 在 nuScenes 同時(shí)實(shí)現(xiàn)了高精度和高速度。我們希望該工作可以對稀疏 3D 檢測范式有所啟發(fā)。

[1] Wang Y, Guizilini V C, Zhang T, et al. Detr3d: 3d object detection from multi-view images via 3d-to-2d queries[C]//Conference on Robot Learning. PMLR, 2022: 180-191.

[2] Liu Y, Wang T, Zhang X, et al. Petr: Position embedding transformation for multi-view 3d object detection[C]//European Conference on Computer Vision. Cham: Springer Nature Switzerland, 2022: 531-548.

[3] Li Z, Wang W, Li H, et al. Bevformer: Learning bird’s-eye-view representation from multi-camera images via spatiotemporal transformers[C]//European conference on computer vision. Cham: Springer Nature Switzerland, 2022: 1-18.

[4] Park J, Xu C, Yang S, et al. Time will tell: New outlooks and a baseline for temporal multi-view 3d object detection[J]. arXiv preprint arXiv:2210.02443, 2022.

[5] Zong Z, Jiang D, Song G, et al. Temporal Enhanced Training of Multi-view 3D Object Detector via Historical Object Prediction[J]. arXiv preprint arXiv:2304.00967, 2023.

[6] Wang S, Liu Y, Wang T, et al. Exploring Object-Centric Temporal Modeling for Efficient Multi-View 3D Object Detection[J]. arXiv preprint arXiv:2303.11926, 2023.

[7] Yang C, Chen Y, Tian H, et al. BEVFormer v2: Adapting Modern Image Backbones to Bird's-Eye-View Recognition via Perspective Supervision[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023: 17830-17839.

[8] Huang J, Huang G, Zhu Z, et al. Bevdet: High-performance multi-camera 3d object detection in bird-eye-view[J]. arXiv preprint arXiv:2112.11790, 2021.

[9] Gao Z, Wang L, Han B, et al. Adamixer: A fast-converging query-based object detector[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022: 5364-5373.

[10] Feichtenhofer C, Fan H, Malik J, et al. Slowfast networks for video recognition[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2019: 6202-6211.

編輯：黃飛

?