給自動駕駛AI搞個“外掛”，0.1M就能顯著提升運(yùn)動狀態(tài)判別力，來自港大&TCL丨開源
論文被CVPR 2023收錄
蕭簫 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
只需“100K大小的外掛”，就能讓自動駕駛AI識別“物體運(yùn)動狀態(tài)”的能力大幅上升！
這是一項(xiàng)來自香港大學(xué)計算機(jī)視覺與機(jī)器智能實(shí)驗(yàn)室（CVMI Lab）和TCL AI Lab的新研究，目前論文已被CVPR 2023收錄。
研究提出了一種叫做MarS3D的輕量級模型，給原本只能識別物體“是什么”的語義分割模型用上后，就能讓它們進(jìn)一步學(xué)會識別這些物體“是否在動”。
而且是任意主流模型即插即用，幾乎不需要額外的計算量（推理時間只增加不到0.03秒），目前已開源。
要知道，對于靠激光雷達(dá)來判斷周圍環(huán)境的自動駕駛系統(tǒng)而言，其感知能力，很大程度上依賴于3D點(diǎn)云語義分割模型的準(zhǔn)確率和效率。
如果想提升模型識別“運(yùn)動物體”的能力，往往需要將繁重的室外多幀點(diǎn)云數(shù)據(jù)分別進(jìn)行特征提取和處理，但這種方法不僅要增加大量計算，識別性能也沒提升多少，屬實(shí)是事倍功半。
相比之下，MarS3D參數(shù)量只有約100K大小，卻能將主流點(diǎn)云分割模型的性能提升近5%。
這究竟是怎么做到的？
100K參數(shù)讓模型學(xué)會識別“運(yùn)動”物體
首先要了解一下3D點(diǎn)云的兩種語義分割任務(wù)，單掃描（single-scan）和多掃描（multi-scan）。
這兩種方法的核心差異，在于能否區(qū)分物體的運(yùn)動狀態(tài)。
單掃描任務(wù)只需要根據(jù)單幀點(diǎn)云，把場景中汽車、行人、道路等語義信息分割并標(biāo)注出來。像下圖，不同的顏色代表不同的物體，如藍(lán)色的點(diǎn)云代表車：
多掃描任務(wù)，則需要根據(jù)時序上的多幀點(diǎn)云，同時分割語義信息和運(yùn)動狀態(tài)。
換言之，不僅要學(xué)會區(qū)分汽車、行人、道路，還得識別這些物體是否在運(yùn)動。如汽車標(biāo)簽擴(kuò)展成“運(yùn)動的車”和“不動的車”，以及行人擴(kuò)展成“運(yùn)動的行人”和“不動的行人”：
目前，自動駕駛做激光雷達(dá)點(diǎn)云數(shù)據(jù)的處理，主要還是通過單掃描語義分割方法。
雖然能通過擴(kuò)展標(biāo)簽、融合點(diǎn)云數(shù)據(jù)，直接將單掃描模型訓(xùn)練成多掃描模型，從而讓AI掌握識別物體運(yùn)動狀態(tài)的能力，但存在兩個問題：
一個是性能收效一般；另一個是融合點(diǎn)云數(shù)據(jù)量大，導(dǎo)致這種模型復(fù)雜、計算時間長，而這正是“爭分奪秒”的自動駕駛系統(tǒng)無法接受的。
為了解決這兩個問題，讓語義分割模型又快又好地掌握識別“運(yùn)動物體”的方法，MarS3D橫空出世。
即使之前模型只能做單掃描語義分割，給它加個MarS3D后，不僅能大幅提升多掃描語義分割能力，區(qū)分物體“是否在運(yùn)動”，效果還比其他多掃描方法更好。
所以，MarS3D的核心思路是什么？
具體來說，模型設(shè)計了一個基于2D CNN網(wǎng)絡(luò)的分支BEV Branch，這個模型能提取點(diǎn)云數(shù)據(jù)轉(zhuǎn)換的BEV（Bird’s Eye View）表征，即自上而下的鳥瞰視角。
之所以選用BEV，主要有兩個原因。
一方面，目前的運(yùn)動物體基本都是在地上跑（即使在空中飛，也幾乎不存在垂直上升的情況），也就是說，幾乎所有的運(yùn)動都在水平面上有位移，因此它能很好地反映物體在絕大部分場景中的運(yùn)動狀態(tài)；
另一方面，BEV相比點(diǎn)云數(shù)據(jù)量更小，還能通過參考幀和特征圖相減，降低點(diǎn)云稀疏性帶來表征不穩(wěn)定的問題，即同樣靜態(tài)區(qū)域的表征近似，含有動態(tài)物體區(qū)域的表征距離更遠(yuǎn)。此外，多尺寸卷積對表征抽取特征圖，以保證模型對不同運(yùn)動速度的物體都有很強(qiáng)感知力。
隨后，將這個分支提取的運(yùn)動狀態(tài)信息特征、和其他被時序嵌入向量增強(qiáng)的單掃描任務(wù)模型分支3D Branch提取的語義信息特征結(jié)合起來，進(jìn)行特征融合，最終實(shí)現(xiàn)語義分割。
那么，這樣實(shí)現(xiàn)的3D點(diǎn)云語義分割，效果究竟怎么樣？
幾十毫秒計算，分割性能提升近5%
相比和其他輸入如RGB圖像進(jìn)行結(jié)合，論文重點(diǎn)測試了模型針對純點(diǎn)云輸入的分割效果。
從下表可見，對于SemanticKITTI數(shù)據(jù)集，在目前主流的單掃描點(diǎn)云分割模型如SPVCNN、SparseConv和MinkUNet上，MarS3D在只給模型增加0.1M的情況下（參數(shù)量增加不到0.5%），將性能（mIoU）分別提升了4.96%、5.65%和6.24%。
同時，計算時間（延遲）只增加了19ms、14ms和28ms。
5%對于模型分割性能提升有多顯著？下圖是在兩個掃描場景中，模型增加MarS3D前和增加后的效果對比，其中左圖是增加前，中間是增加后，右邊是真實(shí)值：
顯然，增加MarS3D后模型識別物體的效果要更好。
直接將分割效果和真實(shí)值對比，可見增加MarS3D后的“錯誤值”，比增加前要低不少：
整個推理過程，只需要一塊英偉達(dá)GeForce RTX 3090 GPU就能搞定。
對MarS3D感興趣的小伙伴們，可以去試試了~
項(xiàng)目地址：
https://github.com/CVMI-Lab/MarS3D
論文地址：
https://arxiv.org/abs/2307.09316
相關(guān)閱讀
