多模态3D目标检测发展路线方法汇总(决策级/特征级/点/体素融合） 原创

什么是多模态3D目标检测？

多模态3D目标检测是当前3D目标检测研究热点之一，主要是指利用跨模态数据提升模型的检测精度。一般而言，多模态数据包含：图像数据、激光雷达数据、毫米波雷达数据、双目深度数据等，本文主要关注于当前研究较多的RGB+LiDAR融合3D目标检测模型进行汇总和总结，希望可以给大家带来一定的启发。

欢迎关注国内首个以自动驾驶技术栈为主线的交流学习社区！
原文出处：微信公众号【自动驾驶之心】

多模态3D目标检测主要方法

(一) 决策级融合 (Decision-level)

所谓的决策级融合，一般而言是指直接利用2D/3D基础网络的检测结果，为后续bounding box的优化提供初始位置。决策级融合的优点是：仅对不同模态的输出进行多模态融合，避免了中间特征或输入点云上复杂的交互，因此往往更加高效。但是，也面临一定的缺陷：由于不依赖于相机和激光雷达传感器的深度特征，这些方法无法整合不同模式的丰富语义信息，限制了这类方法的潜力。

论文标题：CLOCs: Camera-LiDAR Object Candidates Fusion for 3D Object Detection

论文地址：https://arxiv.org/pdf/2009.00784.pdf

作者单位：Su Pang等，Michigan State University

**核心思想：**作者认为，对于决策级的融合而言，多模态数据不需要与其他模态进行同步或对齐，且利用二者的检测结果排除了大部分冗余背景区域，因此更有助于网络学习。

方法简述：

如上图所示，CLOCs整体流程可分为3步：

• 步骤1：分别输入图像和点云，分别预测2D detections和3D detections；
• 步骤2：去除部分IoU=0的候选框，对保留的候选框进行特征提取；
• 步骤3：得到最终的检测结果。

方法相对而言比较简单，从步骤1也能清晰看出，CLOCs是利用检测结果进行的跨模态融合，因此属于决策级融合的范畴。在KITTI testset的检测结果如下图所示，在多模态方法中还是比较具有竞争力的。

论文标题：Frustum Pointnets for 3D Object Detection from RGB-D Data

论文地址：https://arxiv.org/pdf/1711.08488.pdf

作者单位：Charles R. Qi等，Stanford University

**核心思想：**作者认为，使用2D目标检测结果生成3D锥形建议区域，省略直接在大范围的空间中检索，同时提升了目标的识别准确度。

方法简述：

如上图所示，Frustum PointNet整体流程可分为3步：

• 步骤1：通过2D网络预测2D Proposal；
• 步骤2：将2D Proposal映射为3D锥体，作为后续3D检测的建议区域；
• 步骤3：在步骤2提取出的建议区域中，进行通用3D检测流程；

同样，整体思路也比较简单清晰，从步骤1也能看出，Frustum PointNet是利用2D检测结果，为3D检测提供initial region，因此，大大减少了3D搜索空间。从网络流程上看，更为简洁高效。同时，由于拥有2D proposal提供的初始位置，3D网络的搜索位置也更为准确，整体检测性能也略有提高，在KITTI testset的检测结果如下图所示，

(二) 特征级融合 (Feature-level)

所谓的特征级融合，就是在基于LiDAR的3D目标检测器的中间阶段，例如在骨干网络中，或在proposal生成阶段，或在RoI细化阶段，融合图像和激光雷达特征。

1. 感兴趣区域融合 (RoI-level)

感兴趣区域融合，通常是指：通过LiDAR检测器生成3D目标的proposals，这些3D的proposals被映射到多种视图中，例如鸟瞰图或者RGB图中。再分别从Image和LiDAR的主干网络中裁剪出特征，得到RoI Features，最后将Image RoI Features 和 LiDAR RoI Features 融合，并输入到RoI 头，输出每个3D目标的参数。

论文标题：Multi-View 3D Object Detection Network for Autonomous Driving

论文地址：https://arxiv.org/pdf/1611.07759.pdf

作者单位：Xiaozhi Chen等，Tsinghua University

**核心思想：**利用点云俯视图、点云前视图、图像数据进行融合，这样既能减少计算量，又不至于丧失过多的信息。

方法简述：

如上图所示，MV3D整体流程可分为4步：

• 步骤1：利用卷积网络分别在点云前视图、点云俯视图和图像数据上提取特征；
• 步骤2：在点云俯视图上进行proposal生成；
• 步骤3：将生成的3D proposal分别在不同模态数据中进行特征提取；
• 步骤4：将多模态proposal特征进行融合检测；

从步骤3也能看出，MV3D是利用点云俯视图生成的3D检测结果，在不同模态数据上进行特征提取，因此属于RoI-level的融合方式。在KITTI testset中，这种多模态融合方式也具有显著的优势。尤其是当增添了图像数据后，整体网络在Moderate子集上有了明显的性能提升，具体实验结果如下图所示：

论文标题：Joint 3D Proposal Generation and Object Detection from View Aggregation

论文地址：https://arxiv.org/pdf/1712.02294.pdf

作者单位：Jason Ku等，University of Waterloo

**核心思想：**借鉴了FPN思想，通过高分辨率特征提升检测性能。

方法简述：

如上图所示，AVOD整体流程可以分为4步：

• 步骤1：分别提取图像和俯视图特征；
• 步骤2：利用融合后的特征提取3D Proposals；
• 步骤3：将生成的3D proposal分别在不同模态数据中进行特征提取；
• 步骤4：将多模态proposal特征进行融合检测；

从上述步骤也能看出，整体检测流程与MV3D并无明显区别。主要区分点在于：其一，AVOD借鉴了FPN的特征提取方法，提取出的特征更加高效；其二，设计了10维bounding box编码策略，通过ground plane和top bottom corner center进行编码，更加简介高效。整体网络性能在KITTI上表现较好，尤其是对于Pedestrian和Cyclist两类，如下图所示：

论文标题：Cross-Modality 3D Object Detection

论文地址：https://arxiv.org/pdf/2008.10436.pdf

作者单位：Ming Zhu等，Shanghai Jiao Tong University

**核心思想：**提出了一种2D-3D耦合损耗，以充分利用图像信息，约束3D Bounding box与2D Bounding box一致。

方法简述：

如上图所示，整体方法可分为4步：

• 步骤1：利用卷积网络分别在点云和图像数据上提取特征；
• 步骤2：利用提取出的特征提取2D Proposal和3D Proposal；
• 步骤3：对生成的2D和3D Proposal进行一致性约束；
• 步骤4：对约束后的proposal特征进行融合检测；

从步骤2也能看出，此方法是利用生成的2D和3D检测结果，在不同模态数据上进行特征提取，因此属于RoI-level的融合方式。方法的不同之处在于，作者提出了一种2D-3D的耦合损耗，用于约束3D和2D场景下Proposal的一致性。此方法在KITTI上有明显的提升，具体结果如下图所示：

论文标题：Sparse Fuse Dense: Towards High Quality 3D Detection with Depth Completion

论文地址：https://arxiv.org/pdf/2203.09780.pdf

作者单位：Xiaopei Wu等，Zhejiang University

**核心思想：**多模态特征加权融合，以及跨模态对齐问题。

方法简述：

如上图所示，整体方法可以分为4步：

• 步骤1：利用深度补全网络，将原始RGB图像映射到3D场景中，生成伪点Pseudo Points；
• 步骤2：提取原始3D点云特征，并生成候选框；
• 步骤3：对每一个候选框，分别提取点云特征和伪点云特征；
• 步骤4：对点云特征和伪点云特征进行重新加权，并输出最后的检测结果；

从步骤2可以看出，SFD利用的是3D场景预测出的候选框，并在不同模态数据上进行特征提取，因此属于RoI-level的融合范畴。此方法不同之处在于：其一，在网络预处理阶段，将跨模态数据增广进行了对齐，因此特征更加一致，其二，对候选框的多模态特征进行了加权，输出更鲁棒的fusion feature。此方法在KITTI testset具有非常优越的性能，具体实验结果如下图所示：

2. 点/体素融合 (Point/Voxel-level)

点/体素融合通常是指，对于点云场景中的每一个点或每一个体素框，利用其余模态特征对齐进行补全。这种补全往往是更精细化的，更全面的，但是也因此导致效率往往不是很高。

论文标题：Multi-task Multi-Sensor Fusion for 3D Object Detection

论文地址：https://arxiv.org/pdf/2012.12397.pdf

作者单位：Ming Liang等，Uber Advanced Technologies Group

**核心思想：**pixel-point层面的融合方式，同时增加了深度估计模块。

方法简述：

如上图所示，整体方法可分为4步：

• 步骤1：分别对点云和图像提取特征；
• 步骤2：利用Dense Fusion模块，在网络不同层级上进行特征融合；
• 步骤3：利用融合后的特征计算initial proposal；
• 步骤4：预测bounding box和深度图；

从步骤2可以看出，MMF是在基础网络的不同阶段进行的特征融合，属于全场景融合，因此可划分为Point/Voxel-level。后续的检测流程与通用的3D检测没有明显区域，只是额外添加了深度预测支路，用于图像到点云的映射校准。作者同样给出了KITTI testset的检测结果，如下图所示：

论文标题：MVX-Net: Multimodal VoxelNet for 3D Object Detection

论文地址：https://arxiv.org/pdf/1904.01649.pdf

作者单位：Vishwanath A. Sindagi等，Johns Hopkins University

**核心思想：**网络初期融合，以提取更丰富鲁棒的特征。

方法简述：

如上图所示，整体方法可分为3步：

• 步骤1：分别对点云和图像提取特征；
• 步骤2：找到3D体素和2D图像的对应关系，进行对应的特征融合；
• 步骤3：利用融合后的特征预测3D检测结果；

从步骤2可以看出，作者同样做的场景层面的融合，而非proposal/bbox的融合，因此属于Point/Voxel-level。整体网络框架也比较简单，在KITTI testset上有一定的性能提升，如下图所示：

论文标题：Pointpainting: Sequential Fusion for 3D Object Detection

论文地址：https://arxiv.org/pdf/1911.10150.pdf

作者单位：Sourabh Vora等，nuTonomy

**核心思想：**利用细粒度图像分割信息对3D点云进行补全；

方法简述：

如上图所示，整体方法可分为3步：

• 步骤1：对2D图像进行分割预测；
• 步骤2：将2D中预测出的分割结果投影到对应的3D point中，对原始3D信息进行补全；
• 步骤3：利用补全后的3D点云进行预测；

从步骤2可以看出，作者尝试对3D场景中每一个点进行信息补全，因此属于point-level的融合方式。PointPainting是比较经典的方法，其思想也被广泛应用在当前的3D检测网络中。虽然方法比较简单，但是性能提升显著，在KITTI testset的实验结果如下图所示：

论文标题：PI-RCNN: An Efficient Multi-Sensor 3D Object Detector with Point-based Attentive Cont-Conv Fusion Module

论文地址：https://arxiv.org/pdf/1911.06084.pdf

作者单位：Liang Xie等，Zhejiang University

**核心思想：**点云和图像融合过程中的对齐问题（量化误差）。

方法简述：

如上图所示，整体方法可分为4步：

• 步骤1：利用原始点云数据预测3D候选框；
• 步骤2：利用分割网络预测2D分割结果；
• 步骤3：利用PACF模块将2D和3D特征进行对齐，减小其量化误差；
• 步骤4：利用对齐后的特征进行3D bbox预测；

此方法归为Point/Voxel-level类别的主要原因是：作者在PACF模块中，对于点云上的每一个点，都会搜索K个近邻点，并将其投影到分割特征图上。之后，再利用紧邻点的语义信息和点云信息进行特征关联，输出最终的检测结果。所以，本质上讲，PI-RCNN网络属于Point-level的融合方式，在KITTI testset上性能显著，如下图所示：

论文标题：EPNet: Enhancing Point Features with Image Semantics for 3D Object Detection

论文地址：https://arxiv.org/pdf/2007.08856.pdf

作者单位：Tengteng Huang等，Huazhong University of Science and Technology

**核心思想：**逐层融合，自适应加权多模态特征。

方法简述：

如上图所示，整体方法可分为4步：

• 步骤1：分别提取图像特征和点云特征；
• 步骤2：利用LI-Fusion模块对多模态特征进行逐层融合；
• 步骤3：利用Feature Propagation模块对多模态特征自适应加权；
• 步骤4：利用加权后的特征进行3D bbox的预测；

从步骤2和步骤3可以看出，作者提出的LIDAR-guided Image Fusion （LI-fusion）模块通过point-wise的方式，建立原始点云和图像间的对应关系，自适应地估计图像语义特征的重要性，用有用的图像特征来增强点云特征，同时抑制有干扰的图像特征。EPNet在KITTI testset上性能具有明显提升，如下图所示：