基于BEV的视觉3D目标检测器

作者：王利民

导读

本文介绍我们在 3D 目标检测领域的新工作：SparseBEV。我们所处的 3D 世界是稀疏的，因此稀疏 3D 目标检测是一个重要的发展方向。然而，现有的稀疏3D目标检测模型（如 DETR3D[1]，PETR[2] 等）和稠密3D检测模型（如 BEVFormer[3]，BEVDet[8]）在性能上尚有差距。针对这一现象，我们认为应该增强检测器在 BEV 空间和 2D 空间的适应性（adaptability）。基于此，我们提出了高性能、全稀疏的 SparseBEV 模型。在 nuScenes 验证集上，SparseBEV 在取得 55.8 NDS 性能的情况下仍能维持 23.5 FPS 的实时推理速度。在 nuScenes 测试集上，SparseBEV 在仅使用 V2-99 这种轻量级 backbone 的情况下就取得了 67.5 NDS 的超强性能。如果用上 HoP[5] 和 StreamPETR-large[6] 等方法中的 ViT-large 作为 backbone，冲上 70+ 不在话下。

引言

现有的 3D 目标检测方法可以被分类为两种：基于稠密 BEV 特征的方法和基于稀疏 query 的方法。前者需要构建稠密的 BEV 空间特征，虽然性能优越，但是计算复杂度较大；基于稀疏 query 的方法避免了这一过程，结构更简单，速度也更快，但是性能还落后于基于 BEV 的方法。因而我们自然而然地提出疑问：基于稀疏 query 的方法是否可以实现和基于稠密 BEV 的方法接近甚至更好的性能？

根据我们的实验分析，我们认为实现这一目标的关键在于提升检测器在 BEV 空间和 2D 空间的适应性。这种适应性是针对 query 而言的，即对于不同的 query，检测器要能以不同的方式来编码和解码特征。这种能力正是之前的全稀疏 3D 检测器 DETR3D 所欠缺的。因此，我们提出了 SparseBEV，主要做了三个改进。首先，设计了尺度自适应的自注意力模块（scale-adaptive self attention, SASA）以实现在 BEV 空间的自适应感受野。其次，我们设计了自适应性的时空采样模块以实现稀疏采样的自适应性，并充分利用长时序的优势。最后，我们使用动态 Mixing 来自适应地 decode 采到的特征。

早在今年的2月9日，ICCV 投稿前夕，我们的 SparseBEV（V2-99 backbone）就已经在 nuScenes 测试集上取得了65.6 NDS 的成绩，超过了 BEVFormerV2[7] 等方法。如下图所示，该方案命名为 SparseBEV-Beta，具体可见 eval.ai 榜单。

最近，我们采用了一些来自 StreamPETR 的最新 setting，包括将 bbox loss 的 X 和 Y 的权重调为 2.0，并使用 query denoising 来稳定训练等等。现在，仅采用轻量级 V2-99 作为 backbone 的 SparseBEV 在测试集上就能够实现 67.5 NDS 的超强性能，在纯视觉 3D 检测排行榜中排名第四（前三名均使用重量级的 ViT-large 作为 backbone）：

在验证集的小规模的 Setting（ResNet50，704x256）下，SparseBEV 能取得 55.8 NDS 的性能，同时保持 23.5 FPS 的实时推理速度，充分发挥了 Sparse 设计带来的优势。

方法

模型架构

SparseBEV 的模型架构如上所示，其核心模块包括尺度自适应自注意力、自适应时空采样、自适应融合。

Query Initialization

现有 query-based 方法都用 reference point 作为 query。在 SparseBEV 中，Query包含的信息更丰富，包括3D坐标 、尺寸 、旋转角 、速度 ，以及对应的 维特征。每个 query 都被初始化为 pillar 的形状， 为 0 且 约为 4，这是因为自驾场景中一般不会在 Z 轴上出现多个物体。

Scale-adaptive Self Attention

BEV 空间的多尺度特征提取很重要。基于 Dense BEV 的方法往往通过 BEV Encoder 来显式聚合多尺度特征（比如 BEVDet[8] 用 ResNet+FPN 组成 BEV Encoder 来提取多尺度的 BEV 特征，BEVFormer 则使用 Multi-scale Deformable Attention 来实现 BEV 空间的多尺度），而基于稀疏 query 方法则做不到这一点。

我们认为，稀疏 query 之间的 self attention 可以起到 BEV Encoder 的作用，而 DETR3D 中使用的标准的 Multi-head self attention (MHSA) 并不具备多尺度能力。因此，我们提出了尺度自适应自注意力模块（scale-adaptive self attention, SASA），让模型自己去决定合适的感受野：

其中 表示两个 query 中心点之间的欧式距离， 表示感受野的控制系数，随着 增大，远距离的 query 的注意力权重减小，感受野相应缩小。当 时，SASA 退化为标准的拥有全局感受野的自注意力模块。这里的 是通过对每个 query feature 使用一层 Linear 自适应生成的，并且每个 head 生成的 都不同：

其中 表示 query 特征维度， 表示 head 数量。

在实验中，我们发现了两个有意思的现象：

每个 head 生成的 值在一定范围内呈现均匀分布，且该现象与 的初始化无关。该现象说明 SASA 能够在不同 head 里进行不同尺度的特征聚合，与 FPN 的处理方式类似，进而从 data-driven 的角度证明了 BEV 空间的多尺度特征聚合的必要性。此外，相比于 FPN，SASA的感受野更加灵活，可以根据数据自由学习。

不同类别的物体所对应的 query 生成的 值有着明显差异。我们发现，大物体（例如公交车）对应 query 的感受野明显大于小物体对应 query（例如行人）的感受野。(如下图所示。注意： 越大，感受野越小)

相比于标准的 MHSA，SASA 几乎没有引入额外开销，简单又有效。在消融实验中，使用 SASA 替换 MHSA 能直接暴涨 4.0 mAP 和 2.2 NDS：

Adaptive Spatio-temporal Sampling

对于每个 query，我们对 query feature 使用一层 Linear 生成一系列 3D Offset：。接着，我们将这些 offset 相对于 query pillar 进行坐标变换以得到 3D 采样点。采样点生成过程如下：

这样，我们生成的采样点可以适应于给定的 query，从而能够更好地处理不同尺寸、远近的物体。同时，这些采样点并不局限于给定的 query bbox 内部，它们甚至可以撒到框外面去，这由模型自己决定。

接着，为了进一步捕捉长时序的信息，我们将采样点 warp 到不同时刻的坐标系中，以此实现帧间对齐。在自动驾驶场景中，有两种类型的运动：一是车自身的运动（ego motion），二是其他物体的运动（object motion）。对于 ego motion，我们使用数据集提供的 ego pose 来实现对齐；对于 object motion，我们利用 query 中定义的瞬时速度向量，并配合一个简单的匀速运动模型来对运动物体进行自适应的对齐。这两种对齐操作都能涨点：

随后我们将 3D 采样点投影到 2D 图像并通过双线性插值获取对应位置的 2D 特征。这里有一个工程上的小细节：由于是六张图的环视输入，DETR3D 是将每个采样点分别投影到六个视图中，并对正确的投影点抽到的特征取平均。我们发现，大多数情况下就只有一个投影点是正确的，偶尔会有两个（即采样点位于相邻视图的重叠区域）。于是，我们干脆只取其中一个投影点（即使有时会有两个），把它对应的视图 ID 作为一个新的坐标轴，从而可以通过 Pytorch 内置的 grid sample 算子的 3D 版一步到位。这样可以显著提速，并且不咋掉点（印象里只掉了 0.1~0.2 NDS）。具体可以看代码：https://github.com/MCG-NJU/SparseBEV/blob/main/models/sparsebev_sampling.py

对于稀疏采样这块，我们后来也基于 Deformable DETR 写了一个 CUDA 优化。不过，纯 PyTorch 实现其实也挺快的，CUDA 优化进一步提速了 15% 左右。

我们还提供了采样点的可视化（第一行是当前帧，二三两行是历史前两帧），可以看到，SparseBEV 的采样点精准捕捉到了场景中不同尺度的物体（即在空间上具备适应性），且对于不同运动速度的物体也能很好的对齐（即在时间上具备适应性）。

接着，我们对采到的特征的 channel 和 point 两个维度分别进行 Mixing[9]。假设共计 帧，每帧 个采样点，我们首先将其堆叠为 个采样点。因此 SparseBEV 属于堆叠时序方案，可以很容易地融合未来帧的信息。

接着，我们对这些采样点得到的特征进行 channel mixing，其中 mixing 的权重是根据 query feature 动态生成的：随后对 point 维度进行同样的 mixing 操作：其中 和 分别表示 channel mixing 和 point mixing 中的动态权重，前者在所有帧和采样点之间共享，后者在所有特征通道之间共享。

Dual-branch SparseBEV

在实验中，我们发现将输入的多帧图像分为 Fast、Slow 两个分支处理可以进一步提升性能[10]。具体地，我们将输入分为高分辨率、低帧率的 Slow 分支和低分辨率、高帧率的 Fast 分支。于是，Slow 分支专注于提取高分辨率的静态细节，而 Fast 分支则专注于捕获运动信息。加入 Dual-branch 的 SparseBEV 结构图如下所示：

Dual-branch 设计不光减小了训练开支，还显著提升了性能，具体可见补充材料。它的涨点说明了自驾长时序中的静态细节和运动信息应该解耦处理。但是，它把整个模型搞得太复杂，因此我们默认情况下并没有使用它（本文中只有测试集 NDS=63.6 的那行结果用了它）。

实验结果

上表为 SparseBEV 与现有方法在 nuScenes 的验证集上的结果对比，其中 表示方法使用了透视预训练。在使用 ResNet-50 作为 backbone 和 900 个 query，且输入图像分辨率为 704x256 的情况下，SparseBEV 超越现有最优方法 SOLOFusion[4] 0.5 mAP 和 1.1 NDS。在使用 nuImages 预训练并将 query 数量降低到 400 后，SparseBEV 在达到 55.8 的 NDS 的情况下仍能维持 23.5 FPS 的推理速度。而将 backbone 升级为 ResNet-101 并将输入图像尺寸升为 1408x512 后，SparseBEV 超越 SOLOFusion 达 1.8 mAP 和 1.0 NDS。

nuScenes test split

上表为 SparseBEV 与现有方法在测试集上的结果对比，其中 表示方法使用了未来帧。在不使用未来帧的情况下，SparseBEV 取得了 62.7 NDS 和 54.3 mAP；其 Dual-branch 版本进一步提升到了 63.6 NDS 和 55.6 mAP。在加入未来帧后，SparseBEV 超越 BEVFormer V2 高达 2.8 mAP 和 2.2 NDS，而我们使用的 V2-99 仅约 70M 参数，参数量远低于 BEVFormer V2 使用的 InternImage-XL（超过 300M 参数）。

局限性

SparseBEV 的弱点还不少：

SparseBEV 非常依赖 ego pose 来实现帧间对齐。在论文的 Table 5 中，如果不使用 ego-based warping，NDS 能掉 10 个点左右，几乎和没加时序一样。

SparseBEV 中使用的时序建模属于堆叠时序，它的耗时和输入帧数成正比。当输入帧数太多的时候（比如 16 帧），会拖慢推理速度。

目前 SparseBEV 采用的训练方式还是传统方案。对于一次训练迭代，DataLoader 会将所有帧全部 load 进来。这对于机器的 CPU 能力有较高的要求，因此我们使用了诸如 TurboJPEG 和 Pillow-SIMD 库来加速 loading 过程。接着，所有的帧全部会经过 backbone，对 GPU 显存也有一定要求。对于 ResNet50 和 8 帧 704x256 的输入来说，2080Ti-11G 还可以塞下；但如果把分辨率、未来帧等等都拉满，就只有 A100-80G 可以跑了。我们开源的代码中使用的 Training 配置均为能跑的最低配置。目前有两种解决方案：

将部分视频帧的梯度截断。我们开源的 config 中有个 stop_prev_grad 选项，它会将所有之前帧都以 no_grad 模式推理，只有当前帧会有梯度回传。

另一种解决方案是采用 SOLOFusion、StreamPETR 等方法中使用的 sequence 训练方案，省显存省时间，我们未来可能会尝试。

结论

本文中，我们提出了一种全稀疏的单阶段 3D 目标检测器 SparseBEV。SparseBEV 通过尺度自适应自注意力、自适应时空采样、自适应融合三个核心模块提升了基于稀疏 query 模型的自适应性，取得了和基于稠密 BEV 的方法接近甚至更优的性能。此外我们还提出了一种 Dual-branch 的结构进行更加高效的长时序处理。SparseBEV 在 nuScenes 同时实现了高精度和高速度。我们希望该工作可以对稀疏 3D 检测范式有所启发。

[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.

编辑：黄飞