在嵌入式系统上操作的高效点云3D目标检测对于包括自动驾驶在内的许多机器人应用来说都是重要的。大多数以前的工作都试图使用基于Anchor的检测方法来解决这个问题，这些方法有2个缺点：
- 后处理相对复杂且计算昂贵
- 调整Anchor参数很复杂
本文是第一个使用Anchor-free和NMS-Free的单阶段检测器AFDet解决这些缺点的算法。整个AFDet可以通过简化的后处理在CNN加速器或GPU上高效处理。
在没有附加功能的情况下，本文提出的AFDet在KITTI验证集和Waymo开放数据集验证集上与其他基于Anchor的方法相比也具有一定的竞争力。
1、简介
检测点云中的3D目标是自动驾驶最重要的感知任务之一。为了满足功率和效率的限制，大多数检测系统都在车辆嵌入式系统上运行。开发嵌入式系统友好的点云3D检测系统是实现自动驾驶的关键步骤。
由于点云的稀疏性，直接在原始点云上应用3D或2D卷积神经网络（CNN）是低效的。一方面，引入了许多点云编码器来将原始点云编码为3D或2D CNN可以有效处理的数据格式。另一方面，一些工作直接从原始点云中提取特征用于3D检测，这是PointNet的启发。但在检测部分，大多数采用了在图像目标检测任务中被证明有效的基于Anchor的检测方法。
基于Anchor的方法有2个主要缺点：
首先，非最大抑制（NMS）是基于Anchor的方法抑制重叠的高置信度检测边界框所必需的。但它可能会引入比较大的计算成本，尤其是对于嵌入式系统。根据作者的实验，即使在具有高效实现的现代高端桌面CPU上，处理一个KITTI点云帧也需要20毫秒以上，更不用说通常用于嵌入式系统的CPU了。
第二，基于Anchor的方法需要Anchor选择，这既复杂又耗时，因为调整的关键部分可能是手动试错过程。例如，每次向检测系统添加新的检测类别时，都需要选择诸如合适的Anchor数量、Anchor尺寸、Anchor角度和Anchor密度等超参数。
可以摆脱NMS，设计一个高效的嵌入式系统友好的Anchor-Free点云3D检测系统吗？最近，图像检测中的Anchor-Free方法取得了显著的性能。在这项工作中，作者提出了一种具有简单后处理的Anchor-Free和无NMS的单阶段端到端点云3D目标检测器（AFDet）。
在作者的实验中，使用PointPillars将整个点云编码为鸟瞰图（BEV）中的伪图像或类似图像的特征图。然而，AFDet可以与生成伪图像或类似图像的2D数据的任何点云编码器一起使用。编码后，应用具有上采样Neck的CNN输出特征图，该特征图连接到5个不同的头部，以预测BEV平面中的目标中心，并回归3D边界框的不同属性。最后，将5个头的输出组合在一起以生成检测结果。关键点热图预测头用于预测BEV平面中的目标中心。它将把每个物体编码成一个以heatmap为中心的小区域。在推断阶段，每一个heatmap值都将通过最大池化操作进行挑选。在此之后，不再将多个回归Anchor平铺到一个位置，因此不需要使用传统的NMS。这使得整个检测器可以在典型的CNN加速器或GPU上运行，为自动驾驶中的其他关键任务节省了CPU资源。
贡献总结如下：
- 首次提出了一种Anchor-Free和无NMS检测器，用于简化后处理的点云3D目标检测。
- AFDet是嵌入式系统友好的，可以以更少的工程工作量实现高处理速度。
- 在KITTI验证集上，AFDet可以实现与以前的单阶段检测器相比具有竞争力的精度。AFDet的一种变体在Waymo验证上超越了最先进的单阶段3D检测方法。
2、相关工作
2.1、LiDAR-based 3D Object Detection
由于长度和顺序不固定，点云呈稀疏且不规则的格式，需要在输入神经网络之前对其进行编码。一些工作利用网格网格对点云进行体素化。诸如密度、强度、高度等特征在不同的体素中被连接为不同的通道。体素化点云被投影到不同的视图，例如BEV、距离视图（RV）等，以通过2D卷积处理，或者被保持在3D坐标中，以通过稀疏3D卷积处理。
PointNet提出了一种使用原始点云作为输入进行3D检测和分割的有效解决方案。PointNet使用多层感知器和最大池化操作来解决点云的无序和非均匀性，并提供了令人满意的性能。基于原始点云输入的连续3D检测解决方案提供了有前景的性能，如PointNet++、Frustum PointNet、PointR CNN和STD。
VoxelNet结合了体素化和PointNet，提出了体素特征提取器（VFE），其中在每个体素内实现了PointNet风格的编码器。尽管稀疏3D卷积被用于在VFE之后在z轴上进一步提取和下采样信息，但在SECOND中使用了类似的思想。VFE显著提高了基于LiDAR的检测器的性能，然而，使用从数据中学习的编码器，检测流水线变得更慢。
PointPillars建议将点云编码为pillar而不是体素。结果，整个点云变成BEV伪图像，其通道等效于VFE的输出通道，而不是3个。
在基于Anchor的方法中，为边界框编码提供预定义的框。然而，使用密集Anchor会导致大量潜在目标对象，这使得NMS成为一个不可避免的问题。之前的一些工作提到了Anchor-free概念。PointRCNN提出了一种基于全场景点云分割的Anchor-free box的3D proposals生成子网络。VoteNet从投票的兴趣点而不是预定义的Anchor框构建3D边界框。但它们都不是无NMS的，这使得它们效率较低，对嵌入式系统也不友好。
此外，PIXOR是一个BEV检测器，而不是3D检测器。
2.2、Camera-based 3D Object Detection
基于摄像头的解决方案随着降低成本的意愿而蓬勃发展。随着越来越复杂的网络的设计，基于摄像头的解决方案正在迅速赶上基于激光雷达的解决方案。
MonoDIS利用了2D和3D检测损失的新颖解纠缠变换和3D边界框的新颖自监督置信分数。它在nuScenes 3D目标检测挑战中排名第一。
CenterNet从特征图上的边界框中心预测目标的位置和类别。虽然最初设计用于2D检测，但CenterNet也有可能使用单摄像头进行3D检测。
TTFNet提出了缩短训练时间和提高推理速度的技术。
RTM3D预测图像空间中3D边界框的9个透视关键点，并利用几何规则恢复3D边界框。
3、方法
在本节中将从3个方面详细介绍AFDet：点云编码器、主干和颈部以及Anchor-free检测器。框架如图1所示。
3.1、点云编码器
为了进一步挖掘Anchor-free检测器的效率潜力，本文使用PointPillars作为点云编码器，因为其速度快。
首先，将检测范围离散为鸟瞰图（BEV）平面（也是x-y平面）中的pillar。不同的点根据其x-y值指定给不同的pillar。在这一步骤中，每个点也将增加到D=9维。
其次，具有足够数量点的预定义P数量的pillar将应用于线性层和最大池化操作，以创建大小为的输出张量，其中F是PointNet中线性层的输出通道数。由于P是所选pillar的数量，因此它们在整个检测范围内与原始pillar不是一一对应的。因此，第三步是将选定的P pillar散射到它们在检测范围上的原始位置。
之后，可以得到伪图像，其中W和H分别表示宽度和高度。尽管使用PointPillars作为点云编码器，但Anchor-free检测器与生成伪图像或类似图像的2D数据的任何点云编码器兼容。
3.2、Anchor Free检测器
Anchor-free检测器由5个头组成。它们是keypoint heatmap head、 local offset head、z-axis location head、 3D object size head 和orientation head。图1显示了Anchor-free检测器的一些细节。
1、BEV中的目标定位
对于heatmap head和offset head，预测关键点heatmap 和local offset regression图，其中C是关键点类型的数量。关键点heatmap用于查找目标中心在BEV中的位置。offset regression图有助于heatmap在BEV中找到更精确的目标中心，也有助于恢复pillar化过程导致的离散化误差。
对于类别为的3D目标k，将其3D GT边界框参数化为，其中表示表示激光雷达坐标系中的中心位置，表示边界框的宽度、长度和高度吗， 是围绕垂直于地面的z轴的偏航旋转。表示x-y平面中的检测范围。
具体来说，在LiDAR坐标系中，和 沿x轴，沿y轴。在这项工作中，x-y平面中的pillar始终是正方形。因此，设表示pillar边长。根据CornerNet，对于每个目标中心，在BEV伪图像坐标中有关键点。是关键点热图中的等效值。BEV中的二维边界框可以表示为。
对于伪图像中二维边界框中覆盖的每个像素，在下面的heatmap中设置它的值
式中，为离散的伪图像坐标中边界框中心与对应像素之间计算的欧氏距离。预测值表示目标中心，表示该pillar为背景。
，即代表BEV中的目标中心，将被视为阳性样本，而所有其他pillar将被视为阴性样本。作者使用改进的Focal Loss：
训练heatmap，其中N是检测范围内的物体数量，α和β是超参数。在所有实验中使用α=2和β=4。
对于 offset regression head，有两个主要功能。首先，它用于消除由pillar化过程引起的误差，在pillar化过程中，将浮动目标中心分配给BEV中的整数pillar位置，如上所述。第二，它在细化heatmap目标中心的预测中起着重要作用，特别是当heatmap预测错误的中心时。具体而言，一旦heatmap预测到距离GT中心数个像素的错误中心，offset head就能够减轻甚至消除对GT目标中心的数个像素误差。
在offset regression 图中围绕目标中心像素选择半径为的正方形区域。到目标中心的距离越远，偏移值就越大。使用L1损失训练偏移head：
其中，训练仅针对关键点位置周围的边长为的正方形区域。
2、z轴位置回归
在BEV中定位目标之后，只有目标的x-y位置。因此，有z轴的位置头来回归z轴的值。使用L1损失直接回归z值
3、大小回归
此外，还直接回归了目标大小。对于每个目标都有。回归的训练损失为
这也是L1的损失。
4、方向预测
目标k的方向θ是围绕垂直于地面的z轴旋转的标量角度。按照CenterNet将其编码为8个标量，每个bin有4个标量。2个标量用于softmax分类，另外2个用于角度回归。2个bin的角度范围为和，略有重叠。
对于每个bin，预测，用于softmax分类和，用于计算到bin中心γ的偏移的sin和cos值。用softmax训练分类部分，而用L1损失训练偏移部分。因此，方向训练的损失是
5、损失函数
已经描述了每个损失。总的训练损失函数是：
其中，λ表示每个头的权重。对于所有的回归头，包括局部偏移量、z轴位置、大小、方向回归。
6、收集索引并解码
在训练阶段，不对整个特征映射进行反向传播。相反，只反向传播作为所有回归头的目标中心的索引。在推理阶段，使用最大池化和and操作来寻找在CenterNet之后的预测heatmap中的峰值，这比基于iou的NMS更快、更有效。
在最大池化和and操作之后，可以从关键点heatmap中轻松地收集每个中心的索引。设表示检测到的BEV目标中心的集合。有，其中n是检测到的目标的总数。那么BEV中的最终目标中心将是，其中,位于使用索引,对于所有其他的预测值，它们要么直接来自回归结果，要么已经提到了上面的解码过程。目标的预测边界框为：
3.3、Backbone and Necks
在这项工作中对主干进行了几个关键修改，以支持Anchor-free检测器。网络包括主干部分和neck部分。主干部分类似于分类任务中使用的网络，该网络用于提取特征。neck部分用于对特征进行上采样，以确保来自主干的不同块的所有输出具有相同的空间大小，以便可以沿一个轴连接它们。图2显示了主干和neck的细节。
首先，将主干从3个block减少到2个block。block 由具有个输出通道的个卷积层组成，每个卷积层后面跟着一个BatchNorm和一个ReLU。被定义为该块的下采样步长。通过将block的数量从3减少到2，移除了下采样4次的特征图。因此，将上采样Neck 从3减少到2。每个上采样Neck 包含一个带输出通道的转置卷积和上采样步长，后跟BatchNorm和ReLU。第二，使用的第一个块是，与输入大小相比，它没有对输出特征大小进行下采样。
因此，最终的主干和颈部由两个块和组成，随后分别是两个上采样颈部和。通过这样做，输入特征图和伪图像的宽度和高度是相同的。
总之，在生成特征图的过程中，不进行降采样，这对于保持KITTI数据集的类似检测性能至关重要。减少下采样步长只会增加FLOP，因此作者还减少了主干和Neck的过滤器数量。事实证明，主干和Neck的FLOP较少。
