原文链接：https://arxiv.org/abs/2308.04556
1. 引言
目前的3D目标检测方法没有显式地去考虑漏检问题。
本文提出了困难实例探测（HIP）。受目标检测的级联解码头启发，HIP逐步探测误检样本，极大提高召回率。在每个阶段，HIP抑制TP样本并关注之前阶段的FN样本，则通过迭代HIP，可以处理困难的FN样本。
基于HIP，本文提出名为FocalFormer3D的3D目标检测，如下图所示。其中的多阶段热图预测用于挖掘困难实例。FocalFormer3D维护一个积累正样本掩膜，以指示之前阶段的正样本区域，这样网络忽略简单样本的训练而关注困难实例（FN）。最后，网络收集来自所有阶段的正预测以生成候选物体。
此外，本文还提出边界框级的细化阶段，以消除冗余的候选物体。使用可变形Transformer解码器，通过RoIAlign将候选物体表达为边界框级的查询，以进行边界框级的查询交互和迭代框细化。最后，使用重新评分策略从候选物体中选择正实例。
3. 方法
3.1 困难实例探测（HIP）
困难样本探测的表示：给定真实物体
O
=
{
o
i
}
i
=
1
N
G
T
\mathcal{O}=\{o_i\}_{i=1}^{N_GT}
O={oi}i=1NGT，这是初期阶段的主要目标。给定一组候选物体
A
=
{
a
i
}
i
=
1
N
O
C
\mathcal{A}=\{a_i\}_{i=1}^{N_OC}
A={ai}i=1NOC（可以是锚框、锚点或物体查询），神经网络预测其正负性。设第
k
k
k阶段预测的正样本为
P
=
{
p
i
}
i
=
1
N
P
\mathcal{P}=\{p_i\}_{i=1}^{N_P}
P={pi}i=1NP，可将真实物体分配给预测物体，以分配情况为真实边界框确定类别：
O
k
T
P
=
{
o
j
∣
∃
p
i
∈
P
k
,
σ
(
p
i
,
o
j
)
>
η
}
\mathcal{O}_k^{TP}=\{o_j|\exist p_i\in \mathcal{P}_k,\sigma(p_i,o_j)>\eta\}
OkTP={oj∣∃pi∈Pk,σ(pi,oj)>η}其中
σ
(
⋅
,
⋅
)
\sigma(\cdot, \cdot)
σ(⋅,⋅)为匹配指标（如IoU或中心距离），
η
\eta
η为预定义的阈值。则剩余的未匹配的目标可视为困难实例：
O
k
F
N
=
O
−
⋃
i
=
1
k
O
k
T
P
\mathcal{O}_k^{FN}=\mathcal{O}-\bigcup_{i=1}^k\mathcal{O}_k^{TP}
OkFN=O−i=1⋃kOkTP第
k
+
1
k+1
k+1个阶段的训练的目标是检测出
O
k
F
N
\mathcal{O}_k^{FN}
OkFN，而忽略正预测。
由于本文从各个阶段收集候选物体，因此需要第二阶段的物体级细化模块消除FP。
3.2 多阶段热图编码器
BEV感知中中心热图的准备知识：中心热图的目标是在物体中心生成热图峰值。BEV热图用张量
S
∈
R
X
×
Y
×
C
S\in\mathbb{R}^{X\times Y\times C}
S∈RX×Y×C表达，其中
X
×
Y
X\times Y
X×Y为BEV特征图的大小，
C
C
C为类别数。目标热图是通过在物体BEV投影点附近生成2D高斯得到的。
正样本掩膜积累：为了跟踪正候选对象，本文在BEV上初始化全零的正样本掩膜（PM），并依照阶段进行积累得到积累正样本掩膜（APM）：
M
^
k
∈
{
0
,
1
}
X
×
Y
×
C
\hat{M}_k\in\{0,1\}^{X\times Y\times C}
M^k∈{0,1}X×Y×C 多阶段BEV特征是通过阶段之间的轻型逆残差块级联得到的。通过添加一层额外的卷积层，可以得到多阶段BEV热图。根据正样本预测结果，将BEV热图响应进行分数排序，生成正样本掩膜。具体来说，在第
k
k
k阶段，BEV热图所有位置、所有类别中的前
K
K
K个响应被选择为物体预测结果
P
k
\mathcal{P}_k
Pk。正样本掩膜会记录所有正预测
p
i
∈
P
k
p_i\in\mathcal{P}_k
pi∈Pk的位置
(
x
,
y
)
(x,y)
(x,y)和类别
c
c
c，并将掩膜相应位置和类别的值设为1（
M
(
x
,
y
,
c
)
=
1
M_{(x,y,c)}=1
M(x,y,c)=1），其余位置设为0。
上述掩膜生成方案仅填充候选物体中心点，称为点掩膜。本文提出另外两种掩膜生成方案：
- 基于池化的掩膜：小物体填充候选物体中心点，大型物体使用 3 × 3 3\times3 3×3大小的核填充。
- 边界框掩膜：为各阶段添加额外的边界框预测分支，掩膜填充预测边界框的内部区域。
第
k
k
k层积累正样本掩膜如下生成：
M
^
k
=
max
1
≤
i
≤
k
M
i
\hat{M}_k=\max_{1\leq i\leq k}M_i
M^k=1≤i≤kmaxMi然后，可以按照下式过滤热图的正样本区域并关注困难实例：
S
^
k
=
S
k
⋅
(
1
−
M
^
k
)
\hat{S}_k=S_k\cdot(1-\hat{M}_k)
S^k=Sk⋅(1−M^k)训练热图编码器时，对各层使用高斯focal损失，并求和得到总的热图损失。
收集所有阶段的候选物体送入第二阶段，重新评分并去除FP。
对HIP有效实施的讨论：掩膜方式需要满足以下条件以保证HIP的有效性：
- 在当前阶段排除过去的正候选物体；
- 避免移除潜在的真实物体。
点掩膜能满足上述条件，但与使用真实边界框掩膜的理想掩膜相比，对每个正预测只排除了一个BEV候选物体。因此基于池化的掩膜方法更有效。
3.3 边界框级的可变形解码器
候选物体可以视为带有位置信息的物体查询。增加候选物体数可以增加召回率，但冗余检测会增加FP。
本文将候选物体建模为边界框级的查询，并使用可变形注意力以提高效率。
边界框池化模块：使用RoIAlign从BEV特征中提取边界框上下文信息。具体来说，给定预测框，每个物体查询从BEV边界框中提取
7
×
7
7\times7
7×7的特征网格点，并通过2层MLP。位置编码被添加到查询和网格点中。
解码器实施：类似Deformable DETR，本文使用多头自注意力与多头可变形注意力。可变形注意力在3个尺度的BEV特征图上采样特征。边界框池化模块在每个旋转BEV边界框中采样，通过2层FC后将特征添加到查询嵌入中。采样时，将边界框放大到原来的1.2倍。
3.4 模型训练
模型按两个阶段训练。第一阶段使用Transformer解码头，训练激光雷达主干网络（对应的模型称为DeformFormer3D）。随后使用DeformFormer3D的权重初始化FocalFormer3D，训练多尺度热图编码器和边界框级的解码器。然而，在使用二部图匹配的可变形解码器时，训练初期会出现收敛缓慢的问题。因此，本文从真实物体生成噪声查询以解决这一问题。此外，匹配时会排除中心距离大于一定值的匹配对。
4. 实验
4.1 实验设置
数据集与指标：nuScenes数据集上除了官方指标外，还添加一个由中心距离定义的平均召回率（AR）指标。
4.2 主要结果
nuScenes基于激光雷达的3D目标检测：本文方法能达到SotA。比起使用额外分割级标注训练的模型仍能有更好的性能。
nuScenes多模态3D目标检测：本文使用预训练的图像主干提取图像特征，并将图像特征提升到预定义体素空间与基于激光雷达的BEV特征融合。不进行测试时数据增广（TTA）时，本文的方法能比sota有更好的性能，且推断时间更少；在一些少见的类别上性能较优。
nuScenes3D目标跟踪：使用SimpleTrack这一基于检测的跟踪算法，能比过去的sota更优；此外，使用TTA的FocalFormer3D能比使用模型集成的BEVFusion更优。
Waymo激光雷达3D目标检测：在不微调模型超参数的情况下，本文的模型能达到有竞争力的结果。
4.3 召回率分析
候选物体的召回率比较：仅使用激光雷达单一模态的FocalFormer3D能超过多模态方法。
最终预测的召回率比较：随着距离阈值的提高，多数方法最终预测的召回率（相比候选物体召回率的）提升减小。本文方法的召回率能大幅超过之前的方法。
逐类召回率比较：相比于TransFusion-L，FocalFormer3D在大型物体上的召回率更高。
4.4 消融研究
HIP查询大小和生成阶段：增加HIP层数或查询总数均能提高性能。
正样本掩膜类型：单点掩膜能比无掩膜方法有所提升；使用基于池化的掩膜能进一步提升性能。
逐步细化：虽然与CenterPoint相比，添加多阶段热图编码器的模型有明显更高的召回率，但在mAP和NDS上的提升很小。通过使用物体级别的重新评分、基于RoI的对齐，能进一步提高性能；使用边界框级的可变形解码器能大幅提高性能。
为评估重新评分的作用，本文设计了另一实验，在细化阶段仅进行重新评分以排除边界框回归的影响。实验表明，该方法相比于无细化阶段的模型有大幅性能提升。这说明初始阶段的热图评分存在局限。因此，第二阶段的重新评分是有用的。
模型组件的延迟分析：主要的计算时间位于基于稀疏卷积的激光雷达主干网络，而多阶段热图编码器和边界框级别的可变形解码器耗时占比较低。
5. 讨论
局限性：本文的HIP方法需要生成峰值在物体中心处的热图，可能不适用与基于相机的检测，因为相机的热图可能是扇状的。
附录
A. 额外消融实验
解码头的设计：和交叉注意力相比，堆叠多层可变形注意力能有更低的延迟和更好的性能。和点级查询相比，使用边界框级别的查询（即进行边界框池化）能有更高性能。
延迟分析：本文的方法能在性能和速度上均超过过去的方法。
B. 额外实施细节
nuScenes数据集的模型细节：将非关键帧积累到关键帧上输入模型；训练初期使用GT采样增广。
Waymo数据集的模型细节：使用单帧输入；训练初期使用GT采样增广。
扩展为多模态模型：为从投影后图像3D网格特征得到图像BEV特征，本文在每个柱体中使用交叉注意力：将激光雷达BEV网格特征视为查询，图像体素特征视为键与值。使用额外的卷积融合图像BEV特征和激光雷达BEV特征。该融合在多阶段热图编码器的各阶段均会进行。
C. 第二阶段细化的预测局部性
本文注意到，尽管使用了全局操作和相机透视图信息，小物体和大范围之间的差异限制了长距离二阶段细化。即与第一阶段的热图预测相比，多数方法在第二阶段的偏移量回归范围很小（即预测局部性），因此第二阶段补偿漏检（FN）的能力较弱。本文通过在BEV上确定FN并进行局部重新评分，能在一定程度上减轻这一问题。
D. 可视化示例
可视化结果：尽管本文方法的AR较高，但严重遮挡和缺少点会导致出现FN；错误的边界框方向预测也能导致FN出现。
