论文地址：2311.11722 (arxiv.org)
代码地址：HorizonRobotics/Sparse4D (github.com)
在自动驾驶感知系统中，3D 检测和跟踪是两项基本任务。本文在 Sparse4D 框架的基础上更深入地探讨了这一领域。作者引入了两个辅助训练任务（Temporal Instance Denoising 【类似DN-DETR】和 Quality Estimation），并提出了解耦注意力以进行结构改进，从而显着提高检测性能。此外，作者使用一种简单的方法将检测器扩展到跟踪器中，该方法在推理过程中分配实例 ID，进一步突出了基于查询（query-based）的算法的优势。在nuScene基准测试上进行的广泛实验验证了本文提出的改进的有效性。以ResNet50为backbone，见证了 mAP、NDS 和 AMOTA 的提升 3.0%、2.2% 和 7.6%，分别达到 46.9%、56.1% 和 49.0%。本文最好的模型在nuScenes测试集上实现了 71.9% 的 NDS 和 67.7% 的 AMOTA。
在时序多视图感知研究领域，基于稀疏的算法已经取得了重大进展，达到了与基于密集BEV的算法相当的感知性能，同时提供了以下几个优势：
1） 自由视图转换。这些稀疏方法消除了将图像空间转换为 3D 矢量空间的需要。
2） 检测头的恒定计算负载，这与感知距离和图像分辨率无关。
3） 通过端到端方式更容易实现集成下游任务。
作者选择Sparse4Dv2作为实施改进的基线。该算法的整体结构如图1所示。图像编码器将多视图图像转换为多尺度特征图，而解码器模块则利用这些图像特征来优化实例并生成感知结果。
首先，作者观察到，与基于密集的算法相比，基于稀疏的算法在收敛方面遇到了更大的挑战，最终影响了它们的最终性能。这个问题在 2D 检测领域已经得到了彻底的研究，主要归因于使用一对一的正样本匹配。这种匹配方法在训练的初始阶段不稳定，并且与一对多匹配相比，还会导致正样本数量有限，从而降低了解码器训练的效率。此外，Sparse4D 利用稀疏特征采样而不是全局交叉注意力，由于正样本稀缺，这进一步阻碍了编码器的收敛。在 Sparse4Dv2中，引入了密集深度监督，以部分缓解图像编码器面临的这些收敛问题。
本文主要旨在通过关注解码器训练的稳定性来提高模型性能。作者将降噪任务作为辅助监督，并将降噪技术从 2D 单帧检测扩展到 3D 时序检测。它不仅确保了稳定的正样本匹配，而且显着增加了正样本的数量。此外，作者引入了质量评估任务作为辅助监督。这使得输出置信度分数更加合理，从而优化了检测结果排名的准确性，并产生了更高的评估指标。
此外，作者增强了 Sparse4D 中实例自注意力和时序交叉注意力模块的结构，引入了一种解耦的注意力机制，旨在减少注意力权重计算过程中的特征干扰。 如图 3 所示，当将锚点嵌入（anchor embedding）和实例特征（instance feature）相加，并作为注意力计算的输入时，生成的注意力权重中存在异常值的实例。这无法准确反映目标特征之间的相互关联，导致无法聚合正确的特征。通过用 concatening 替换 add，显著减少了这种错误现象的发生。这种增强与 Conditional DETR有相似之处。然而，关键的区别在于我们强调查询之间的注意力，而不是Conditional DETR，后者专注于查询和图像特征之间的交叉注意力。此外，本文的方法涉及一种独特的编码方法。
最后，为了提升感知系统的端到端能力，作者探索将 3D 多目标跟踪任务集成到 Sparse4D 框架中，实现物体运动轨迹的直接输出。与检测跟踪方法不同，这样做消除了数据关联和过滤的需要，将所有跟踪功能集成到检测器中。此外，与现有的联合检测和跟踪方法不同，本文的跟踪器不需要修改训练过程或损失函数。它不需要提供真值 ID，但可以实现预定义的 instance-to-tracking 回归。本文的跟踪实现最大限度地集成了检测器和跟踪器，不需要修改探测器的训练过程，也不需要额外的微调。
本文的贡献如下：
（1） 提出了 Sparse4D-v3，这是一个有效的 3D 感知框架，具有三种有效的策略：时序实例去噪、质量估计和解耦注意力。
（2） 将 Sparse4D 扩展为端到端跟踪模型。
（3） 展示了本文对 nuScenes 的改进的有效性，在检测和跟踪任务中实现了最先进的性能。
本文方法
网络结构和推理流程与 Sparse4Dv2相同（上方图片所示）
Temporal Instance Denoising
在3D检测任务中，通过时序实例去噪（Temporal Instance Denoising）来提高模型收敛稳定性和检测性能。具体内容包括：
-
2D到3D的扩展：将2D单帧去噪扩展到3D时序去噪，使用Sparse4D框架将实例（称为查询）解耦为隐式实例特征和显式锚点。
-
锚点初始化：在训练过程中，初始化两组锚点。一组是通过k-means方法均匀分布在检测空间中的锚点，作为可学习参数；另一组是通过向真实值（GT）添加噪声生成的锚点。
-
噪声生成：详细描述了如何生成带噪声的锚点，并解释了如何通过二分图匹配来确定正负样本，以避免误分配。
-
时序传播：将单帧噪声实例通过时序传播扩展到多帧，以更好地适应稀疏循环训练过程。在每一帧的训练中，随机选择噪声实例组投影到下一帧。
-
独立性保持：确保每组实例的相互独立性，避免噪声实例与正常实例之间的特征交互，从而避免潜在的歧义。
通过这些方法，作者旨在提高3D检测任务的性能和稳定性。
Quality Estimation
现有的基于稀疏的方法主要估计正样本和负样本的分类置信度，以衡量与真实值之间的一致性。优化目标是最大化地提高所有正样本的分类置信度。然而，不同正样本之间的匹配质量存在显著差异。因此，分类置信度不是评估预测边界框质量的理想指标。为了便于网络理解正样本的质量，一方面加速收敛，另一方面合理化预测排名，故而引入了预测质量估计的任务。
对于 3D 检测任务，使用以下公式定义两个质量指标：centerness 和 yawness
loss表示为：
Decoupled Attention
本文对 Sparse4D v2 中的 anchor 编码器、self-attention 和 temporal cross-attention 进行了简单的改进。该架构如图 5 所示。设计原则是以串联方式组合来自不同模态的特征，而不是使用加法方法。与 Conditional DETR 相比存在一些差异。首先，本文在查询之间的注意力机制上进行了改进，而不是在查询和图像特征之间的交叉注意力上；交叉注意力仍然利用了来自Sparse4D的可变形聚合方法。此外，本文不是在单头注意力级别连接位置嵌入和查询功能，而是在多头注意力级别进行外部修改，为神经网络提供了更大的灵活性。
Extend to Tracking
在 Sparse4D v2 的框架中，时序建模采用递归形式，将前一帧的实例作为输入投影到当前帧上。临时实例类似于基于查询的跟踪器中的跟踪查询，区别在于跟踪查询受更高阈值的限制，表示高度可信的检测结果。相比之下，本文的时序实例很多，其中大多数可能无法准确表示前几帧中检测到的对象。
为了在 Sparse4D v2 框架内从检测扩展到多目标跟踪，本文直接将实例从检测边界框重新定义为轨迹。轨迹包括每个帧的 ID 和边界框。由于设置了大量冗余实例，因此许多实例可能没有与精确的目标相关联，也没有被分配明确的 ID。尽管如此，它们仍然可以传播到下一帧。一旦实例的检测置信度超过阈值 T ，就会认为该实例被锁定到目标上并分配了一个 ID，该 ID 在整个时间传播过程中保持不变。因此，实现多对象跟踪就像将 ID 分配过程应用于输出感知结果一样简单。
跟踪过程中的生命周期管理由 Sparse4Dv2 中的 top-k 策略无缝处理，无需额外修改。具体细节可以在 算法 1 中参考。
Experiment
